論文の概要: Actor-Critic Network for O-RAN Resource Allocation: xApp Design, Deployment, and Analysis

• arxiv url: http://arxiv.org/abs/2210.04604v1
• Date: Mon, 26 Sep 2022 19:12:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 16:26:50.322322
• Title: Actor-Critic Network for O-RAN Resource Allocation: xApp Design, Deployment, and Analysis
• Title（参考訳）: O-RANリソース割り当てのためのアクタ・クリティカルネットワーク:xApp設計、デプロイ、分析
• Authors: Mohammadreza Kouchaki, Vuk Marojevic
• Abstract要約: Open Radio Access Network (O-RAN)は、オープンネス、インテリジェンス、自動制御を可能にする新しいRANアーキテクチャを導入した。 RAN Intelligent Controller (RIC)は、RANコントローラの設計とデプロイのためのプラットフォームを提供する。 xAppsは、機械学習(ML)アルゴリズムを活用してほぼリアルタイムで動作することで、この責任を負うアプリケーションである。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open Radio Access Network (O-RAN) has introduced an emerging RAN architecture that enables openness, intelligence, and automated control. The RAN Intelligent Controller (RIC) provides the platform to design and deploy RAN controllers. xApps are the applications which will take this responsibility by leveraging machine learning (ML) algorithms and acting in near-real time. Despite the opportunities provided by this new architecture, the progress of practical artificial intelligence (AI)-based solutions for network control and automation has been slow. This is mostly because of the lack of an endto-end solution for designing, deploying, and testing AI-based xApps fully executable in real O-RAN network. In this paper we introduce an end-to-end O-RAN design and evaluation procedure and provide a detailed discussion of developing a Reinforcement Learning (RL) based xApp by using two different RL approaches and considering the latest released O-RAN architecture and interfaces.
• Abstract（参考訳）: Open Radio Access Network (O-RAN)は、オープンネス、インテリジェンス、自動制御を可能にする新しいRANアーキテクチャを導入した。 RAN Intelligent Controller (RIC)は、RANコントローラの設計とデプロイのためのプラットフォームを提供する。 xAppsは、機械学習(ML)アルゴリズムを活用してほぼリアルタイムで動作することで、この責任を負うアプリケーションである。 この新しいアーキテクチャが提供する機会にもかかわらず、ネットワーク制御と自動化のための実用的な人工知能(AI)ベースのソリューションの進歩は遅かった。 これは主に、実際のO-RANネットワークで完全に実行可能なAIベースのxAppを設計、デプロイ、テストするためのエンドツーエンドソリューションがないためである。 本稿では,2つの異なるRLアプローチと最新のO-RANアーキテクチャとインターフェースを考慮した強化学習(RL)ベースのxAppの開発について,エンド・ツー・エンドのO-RAN設計と評価手順を紹介した。

関連論文リスト

• ROS-LLM: A ROS framework for embodied AI with task feedback and structured reasoning [74.58666091522198]
  非専門家による直感的なロボットプログラミングのためのフレームワークを提案する。 ロボットオペレーティングシステム(ROS)からの自然言語のプロンプトと文脈情報を活用する 我々のシステムは,大規模言語モデル (LLM) を統合し,非専門家がチャットインタフェースを通じてシステムにタスク要求を記述できるようにする。
  論文  参考訳（メタデータ） (2024-06-28T08:28:38Z)
• Exploiting and Securing ML Solutions in Near-RT RIC: A Perspective of an xApp [9.199924426745948]
  Open Radio Access Networks (O-RAN) は破壊的な技術として登場している。 O-RANは、5Gと6Gのデプロイメント以上のネットワークプロバイダにとって魅力的なものだ。 RAN Intelligent Controllers (RIC)上でxAppsやrAppsのような機械学習(ML)ソリューションなどのカスタムアプリケーションをデプロイする能力は、ネットワーク機能やリソースの最適化において大きな可能性を秘めている。 しかし、O-RANとRCCのオープン性、初期標準、分散アーキテクチャは、複数の攻撃ベクトルを通じて悪用可能な脆弱性を多数導入している。
  論文  参考訳（メタデータ） (2024-06-18T06:12:57Z)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [85.21378553454672]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Programmable and Customized Intelligence for Traffic Steering in 5G Networks Using Open RAN Architectures [16.48682480842328]
  5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。 無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。 クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:31:06Z)
• Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym [28.37831674645226]
  オープンRANのインテリジェント閉ループ制御のためのAI/MLソリューションの設計方法について論じる。 我々は、OpenRAN Gymを通じて、O-RAN RAN Intelligent Controller (RIC)上でインスタンス化されたxAppにこれらのソリューションを組み込む方法を示す。
  論文  参考訳（メタデータ） (2022-08-31T14:09:12Z)
• OrchestRAN: Network Automation through Orchestrated Intelligence in the Open RAN [27.197110488665157]
  ネットワークインテリジェンスのための新しいオーケストレーションフレームワークOrchestRANを提示・試作する。 OrchestRANは、リアルタイムのRAN Intelligent Controller(RIC)で実行するために設計されており、ネットワークオペレータ(NO)が高レベルな制御/推論の目的を指定することができる。 オープンRANにおけるインテリジェンスを編成する問題はNPハードであり、現実のアプリケーションをサポートするために低複雑さのソリューションを設計する。
  論文  参考訳（メタデータ） (2022-01-14T19:20:34Z)
• ColO-RAN: Developing Machine Learning-based xApps for Open RAN Closed-loop Control on Programmable Experimental Platforms [22.260874168813647]
  ColO-RANは、ソフトウェア定義のRadios-in-the-loopを備えた、初めて一般公開された大規模O-RANテストフレームワークである。 ColO-RANは、O-RANコンポーネント、プログラム可能なベースステーション、および"無線データファクトリ"を使用した大規模ML研究を可能にする DRLをベースとした適応制御の利点と課題を明らかにする。
  論文  参考訳（メタデータ） (2021-12-17T15:14:22Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。