論文の概要: Machine Learning and Analytical Power Consumption Models for 5G Base
Stations
- arxiv url: http://arxiv.org/abs/2209.11600v1
- Date: Fri, 23 Sep 2022 14:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 17:34:48.407314
- Title: Machine Learning and Analytical Power Consumption Models for 5G Base
Stations
- Title(参考訳): 5g基地局の機械学習と解析電力消費モデル
- Authors: Nicola Piovesan, David Lopez-Perez, Antonio De Domenico, Xinli Geng,
Harvey Bao, Merouane Debbah
- Abstract要約: 本稿では,5GマルチキャリアBSの消費電力を現実的に評価するための新しいモデルを提案する。
このフレームワークが収集した知識を活用して、現実的で分析可能な電力消費モデルを導出する。
- 参考スコア(独自算出の注目度): 6.287715553901191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The energy consumption of the fifth generation(5G) of mobile networks is one
of the major concerns of the telecom industry. However, there is not currently
an accurate and tractable approach to evaluate 5G base stations (BSs) power
consumption. In this article, we propose a novel model for a realistic
characterisation of the power consumption of 5G multi-carrier BSs, which builds
on a large data collection campaign. At first, we define a machine learning
architecture that allows modelling multiple 5G BS products. Then, we exploit
the knowledge gathered by this framework to derive a realistic and analytically
tractable power consumption model, which can help driving both theoretical
analyses as well as feature standardisation, development and optimisation
frameworks. Notably, we demonstrate that such model has high precision, and it
is able of capturing the benefits of energy saving mechanisms. We believe this
analytical model represents a fundamental tool for understanding 5G BSs power
consumption, and accurately optimising the network energy efficiency.
- Abstract(参考訳): モバイルネットワークの第5世代(5G)のエネルギー消費は、通信業界の大きな関心事の一つである。
しかし、現在、5G基地局(BS)の消費電力を評価するための正確でトラクタブルなアプローチは存在しない。
本稿では,大規模なデータ収集キャンペーンを基盤とした5GマルチキャリアBSの消費電力の現実的特徴化のための新しいモデルを提案する。
まず、複数の5G BS製品をモデル化できる機械学習アーキテクチャを定義します。
そして、このフレームワークが収集した知識を利用して、現実的な分析可能な消費電力モデルを導出し、理論解析と機能標準化、開発、最適化のフレームワークの両方を駆動するのに役立つ。
特に、そのようなモデルが高精度であり、省エネ機構の利点を捉えることができることを示す。
この分析モデルは、5G BSの消費電力を理解し、ネットワークエネルギー効率を正確に最適化するための基本的なツールであると考えている。
関連論文リスト
- Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。
重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
論文 参考訳(メタデータ) (2023-09-15T16:29:27Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳(メタデータ) (2023-08-27T03:55:28Z) - EnergyAnalyzer: Using Static WCET Analysis Techniques to Estimate the
Energy Consumption of Embedded Applications [0.6144680854063939]
EnergyAnalyzerは、組み込みソフトウェアのエネルギー消費を推定するためのコードレベルの静的解析ツールである。
これは、エネルギー特性が第一級市民である組み込みアプリケーションを開発するためのツールチェーンを提供することを目的とした、TeamPlayと呼ばれるより大きなプロジェクトの一部として開発された。
論文 参考訳(メタデータ) (2023-05-24T10:01:32Z) - Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine
Learning Approach [6.74575019261951]
人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。
各種のAAUの消費電力挙動を把握できる汎用モデルの設計の利点を示す。
論文 参考訳(メタデータ) (2022-12-08T15:16:44Z) - A Model Drift Detection and Adaptation Framework for 5G Core Networks [3.5573601621032935]
本稿では,5Gコアネットワークのためのモデルドリフト検出および適応モジュールを提案する。
5Gコアネットワークの機能プロトタイプを使用して、ユーザの振る舞いのドリフトをエミュレートし、提案したフレームワークをデプロイしてテストする。
論文 参考訳(メタデータ) (2022-08-08T13:29:38Z) - XGBoost energy consumption prediction based on multi-system data HVAC [0.2519906683279153]
本稿では,XGBoostを用いて大規模データセットから特徴を抽出し,複数のモデルを得るために個別に訓練し,MAEを用いてLightGBMの独立予測結果と融合する。
このモデルを自己開発型のInternet of Thingsプラットフォームに適用することに成功した。
論文 参考訳(メタデータ) (2021-05-20T18:41:17Z) - Learnable Expansion-and-Compression Network for Few-shot
Class-Incremental Learning [87.94561000910707]
破滅的忘れとモデルオーバーフィッティングの問題を解決するための学習可能な拡張・圧縮ネットワーク(LEC-Net)を提案する。
LEC-Netは機能の表現能力を拡大し、モデル正規化の観点から古いネットワークの特徴漂流を緩和します。
CUB/CIFAR-100データセットの実験では、LEC-Netがベースラインを57%改善し、最先端の56%を上回ります。
論文 参考訳(メタデータ) (2021-04-06T04:34:21Z) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳(メタデータ) (2021-03-22T21:22:51Z) - Knowledge- and Data-driven Services for Energy Systems using Graph
Neural Networks [0.9809636731336702]
グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。
このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。
実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
論文 参考訳(メタデータ) (2021-03-12T13:00:01Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳(メタデータ) (2020-01-22T00:51:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。