論文の概要: Network Aware Compute and Memory Allocation in Optically Composable Data
Centres with Deep Reinforcement Learning and Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2211.02466v1
- Date: Wed, 26 Oct 2022 09:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:38:16.939463
- Title: Network Aware Compute and Memory Allocation in Optically Composable Data
Centres with Deep Reinforcement Learning and Graph Neural Networks
- Title（参考訳）: 深部強化学習とグラフニューラルネットワークを用いた光合成可能なデータセンターにおけるネットワーク認識とメモリ割り当て
- Authors: Zacharaya Shabka, Georgios Zervas
- Abstract要約: リソースを分離したデータセンタアーキテクチャは、データセンタ内でリソースをリモートにプールする手段を約束する。
データセンターネットワーク(DCN)における光スイッチング回路のバックボーンを用いて,これを実現する方法を示す。
本稿では, エンフディープ強化学習を用いて, 効率的なエンフネットワーク認識と, エンフトポロジ的にスケール可能なアロケーションポリシをエンドツーエンドに学習する方法を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resource-disaggregated data centre architectures promise a means of pooling
resources remotely within data centres, allowing for both more flexibility and
resource efficiency underlying the increasingly important
infrastructure-as-a-service business. This can be accomplished by means of
using an optically circuit switched backbone in the data centre network (DCN);
providing the required bandwidth and latency guarantees to ensure reliable
performance when applications are run across non-local resource pools. However,
resource allocation in this scenario requires both server-level \emph{and}
network-level resource to be co-allocated to requests. The online nature and
underlying combinatorial complexity of this problem, alongside the typical
scale of DCN topologies, makes exact solutions impossible and heuristic based
solutions sub-optimal or non-intuitive to design. We demonstrate that
\emph{deep reinforcement learning}, where the policy is modelled by a
\emph{graph neural network} can be used to learn effective \emph{network-aware}
and \emph{topologically-scalable} allocation policies end-to-end. Compared to
state-of-the-art heuristics for network-aware resource allocation, the method
achieves up to $20\%$ higher acceptance ratio; can achieve the same acceptance
ratio as the best performing heuristic with $3\times$ less networking resources
available and can maintain all-around performance when directly applied (with
no further training) to DCN topologies with $10^2\times$ more servers than the
topologies seen during training.
- Abstract（参考訳）: リソースを分離したデータセンタアーキテクチャは、データセンタ内でリソースをリモートにプールする手段を約束します。
これは、データセンターネットワーク(DCN)の光回路切替バックボーンを使用することで実現可能であり、非ローカルリソースプール上でアプリケーションが動作している場合に、要求される帯域幅とレイテンシを保証する。
しかし、このシナリオにおけるリソース割り当ては、両方のサーバレベルの \emph{and} ネットワークレベルのリソースをリクエストに同時割り当てする必要がある。
この問題のオンラインの性質と基礎となる組合せ複雑性は、DCNトポロジの典型的なスケールと並んで、正確な解を設計に準最適または非直観的であるような、ヒューリスティックな解決を不可能にしている。
本稿では,そのポリシーをモデルとしたemph{deep reinforcement learning}を用いて,emph{network-aware}およびemph{topologically-scalable}割り当てポリシーをエンドツーエンドで学習できることを実証する。
ネットワークアウェアリソース割り当ての最先端のヒューリスティックと比較して、この手法は最大20〜%高い受入率を達成し、3〜2〜3ドル以下のネットワークリソースで最高のパフォーマンスヒューリスティックと同等の受入率を達成でき、トレーニング中に見られる10^2〜2〜2以上のサーバを持つdcnトポロジに直接(追加のトレーニングなしで)全周性能を維持することができる。
関連論文リスト
- Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。
HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2024-06-25T07:42:30Z) - Double Deep Q-Learning-based Path Selection and Service Placement for
Latency-Sensitive Beyond 5G Applications [11.864695986880347]
本稿では,CCRAと呼ばれる通信資源割当と計算機資源割当の連立問題を,総コストを最小化するために検討する。
我々は,この問題を非線形プログラミングモデルとして定式化し,B&B-CCRAとWF-CCRAという2つのアプローチを提案する。
数値シミュレーションにより,B&B-CCRAが最適解であるのに対し,WF-CCRAは比較的短い時間でほぼ最適解を提供することがわかった。
論文 参考訳（メタデータ） (2023-09-18T22:17:23Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Equitable-FL: Federated Learning with Sparsity for Resource-Constrained
Environment [10.980548731600116]
本稿では,資源制約環境下でうまく機能する疎結合型学習法を提案する。
私たちの目標は、ノードの空間、コンピューティング、帯域幅の不足に関わらず、学習を可能にすることです。
畳み込みニューラルネットワークのトレーニング実験の結果, 等価FLの有効性が検証された。
論文 参考訳（メタデータ） (2023-09-02T08:40:17Z) - Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB
networks [0.0]
統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。
本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
論文 参考訳（メタデータ） (2023-08-31T21:30:25Z) - CLARA: A Constrained Reinforcement Learning Based Resource Allocation
Framework for Network Slicing [19.990451009223573]
ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。
モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。
本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
論文 参考訳（メタデータ） (2021-11-16T11:54:09Z) - Nara: Learning Network-Aware Resource Allocation Algorithms for Cloud
Data Centres [0.0]
Naraは強化学習とグラフニューラルネットワーク(GNN)に基づくフレームワークで、ネットワーク対応のアロケーションポリシを学習する。
トレーニング中に見られるDCNよりも10倍の計算ノードのオーダーで、DCNにデプロイされた場合、最高のベースラインよりも最大33%多くのリクエストを受信できる。
トレーニング中に見られる以上のサーバ数で、DCN上でのポリシーのパフォーマンスを維持することができる。
論文 参考訳（メタデータ） (2021-06-04T10:56:49Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - Large-Scale Gradient-Free Deep Learning with Recursive Local
Representation Alignment [84.57874289554839]
大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。
これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。
本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
論文 参考訳（メタデータ） (2020-02-10T16:20:02Z)
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。