論文の概要: Atlas: Automate Online Service Configuration in Network Slicing
- arxiv url: http://arxiv.org/abs/2210.16902v1
- Date: Sun, 30 Oct 2022 17:51:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:11:50.145348
- Title: Atlas: Automate Online Service Configuration in Network Slicing
- Title（参考訳）: Atlas: ネットワークスライシングにおけるオンラインサービス構成の自動設定
- Authors: Qiang Liu, Nakjung Choi, Tao Han
- Abstract要約: 我々は,スライスのサービス構成を自動化するオンラインスライシングシステムであるAtlasを提案する。
まず,Sim-to-realの差分を低減するための学習ベースシミュレータを設計する。
第2に、ベイズニューラルネットワークと並列トンプソンサンプリングを用いた新しいオフラインアルゴリズムを用いて、拡張シミュレータのポリシーをオフラインでトレーニングする。
第3に、安全な探索とガウス過程の回帰を伴う新しいオンラインアルゴリズムを用いて、実際のネットワークでポリシーをオンラインで学習する。
- 参考スコア（独自算出の注目度）: 11.968135071159304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network slicing achieves cost-efficient slice customization to support
heterogeneous applications and services. Configuring cross-domain resources to
end-to-end slices based on service-level agreements, however, is challenging,
due to the complicated underlying correlations and the simulation-to-reality
discrepancy between simulators and real networks. In this paper, we propose
Atlas, an online network slicing system, which automates the service
configuration of slices via safe and sample-efficient learn-to-configure
approaches in three interrelated stages. First, we design a learning-based
simulator to reduce the sim-to-real discrepancy, which is accomplished by a new
parameter searching method based on Bayesian optimization. Second, we offline
train the policy in the augmented simulator via a novel offline algorithm with
a Bayesian neural network and parallel Thompson sampling. Third, we online
learn the policy in real networks with a novel online algorithm with safe
exploration and Gaussian process regression. We implement Atlas on an
end-to-end network prototype based on OpenAirInterface RAN, OpenDayLight SDN
transport, OpenAir-CN core network, and Docker-based edge server. Experimental
results show that, compared to state-of-the-art solutions, Atlas achieves 63.9%
and 85.7% regret reduction on resource usage and slice quality of experience
during the online learning stage, respectively.
- Abstract（参考訳）: ネットワークスライシングは、異種アプリケーションやサービスをサポートするためにコスト効率の良いスライスカスタマイズを実現する。
しかし、サービスレベルの合意に基づいて、エンド・ツー・エンドのスライスにクロスドメインのリソースを設定することは、複雑な基礎となる相関関係と、シミュレーターと実際のネットワークの間のシミュレーション・トゥ・レアリティの相違のために困難である。
本稿では,スライスのサービス構成を,安全かつサンプル効率の良い3つの相互関連ステージにおいて自動化するオンラインネットワークスライシングシステムであるatlasを提案する。
まず,ベイジアン最適化に基づく新しいパラメータ探索法により,Sim-to-realの差分を低減するための学習ベースシミュレータを設計する。
第2に、ベイズニューラルネットワークと並列トンプソンサンプリングを用いた新しいオフラインアルゴリズムを用いて、拡張シミュレータのポリシーをオフラインでトレーニングする。
第3に、安全な探索とガウス過程回帰を備えた新しいオンラインアルゴリズムを用いて、実際のネットワークでポリシーを学習する。
我々は,OpenAirInterface RAN,OpenDayLight SDNトランスポート,OpenAir-CNコアネットワーク,Dockerベースのエッジサーバをベースとした,エンドツーエンドネットワークプロトタイプにAtlasを実装した。
実験の結果、atlasは最先端のソリューションと比較して、オンライン学習の段階で、リソース使用量と経験のスライス品質をそれぞれ63.9%と85.7%削減できた。
関連論文リスト
- Why Line Search when you can Plane Search? SO-Friendly Neural Networks allow Per-Iteration Optimization of Learning and Momentum Rates for Every Layer [9.849498498869258]
我々は、実際に使用されるいくつかのモデルを含む、SOフレンドリーなニューラルネットワークのクラスを紹介する。
ステップサイズを設定するために正確な行探索を行う場合、固定学習を使用する場合と同じコストがかかる。
同じコストで、各ステップでの学習率と運動量率を設定するために、プレーン検索が使用できる。
論文 参考訳（メタデータ） (2024-06-25T22:06:40Z) - On Statistical Learning of Branch and Bound for Vehicle Routing
Optimization [3.6922704509753084]
我々は,計算コストの高いStrong Branching戦略の決定過程をエミュレートするためにニューラルネットワークを訓練する。
このアプローチは分岐とバウンドのアルゴリズムの性能にマッチするか、改善することができる。
論文 参考訳（メタデータ） (2023-10-15T23:59:57Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-07T15:03:42Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - OnSlicing: Online End-to-End Network Slicing with Reinforcement Learning [11.420934703203878]
オンラインのエンド・ツー・エンドのネットワークスライシングシステムであるOnSlicingを提案する。
OnSlicingは、スライス毎に個別に学習し、新しい制約対応ポリシー更新方法を使用してSLAを維持する。
4G LTEと5G NR、OpenDayLight SDNプラットフォーム、OpenAir-CNコアネットワークでOpenAirInterfaceをベースとしたエンドツーエンドスライシングテストベッド上でOnSlicingを実装した。
論文 参考訳（メタデータ） (2021-11-02T14:25:58Z) - Model Fusion of Heterogeneous Neural Networks via Cross-Layer Alignment [17.735593218773758]
CLAFusionと呼ばれる新しいモデル融合フレームワークを提案し、異なる層でニューラルネットワークを融合させる。
階層間のアライメントに基づいて、階層モデル融合を適用する前に、ニューラルネットワークの層数のバランスをとる。
論文 参考訳（メタデータ） (2021-10-29T05:02:23Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-06-08T16:27:04Z) - CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。
CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。
我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文 参考訳（メタデータ） (2021-05-10T07:31:59Z) - Task-Adaptive Neural Network Retrieval with Meta-Contrastive Learning [34.27089256930098]
本稿では,与えられたタスクに対して最適な事前学習ネットワークを検索するニューラルネットワーク検索手法を提案する。
データセットとネットワークとの類似性を最大化するために、コントラスト損失を伴うクロスモーダルな潜在空間をメタラーニングすることによって、このフレームワークを訓練する。
提案手法の有効性を,既存のNASベースラインに対して10個の実世界のデータセット上で検証する。
論文 参考訳（メタデータ） (2021-03-02T06:30:51Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。