論文の概要: Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing

• arxiv url: http://arxiv.org/abs/2211.09713v1
• Date: Tue, 15 Nov 2022 06:50:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 17:33:08.268883
• Title: Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing
• Title（参考訳）: UAV支援RANスライシングにおける被覆と資源配分を組み合わせた深部強化学習
• Authors: Lorenzo Bellone, Boris Galkin, Emiliano Traversi, Enrico Natalizio
• Abstract要約: この研究は、UAV-BS(UAV-BS)がネットワークスライシング機能を備えたUAV支援5Gネットワークを提示する。 ネットワークスライシング環境におけるUAV-BSに対するマルチエージェントおよびマルチエージェント深部強化学習の第一応用について紹介する。 提示された戦略のパフォーマンスはテストされ、ベンチマークと比較され、さまざまなシナリオにおいて満足度の高いユーザの割合(少なくとも27%以上)が強調されている。
• 参考スコア（独自算出の注目度）: 1.7214664783818676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network slicing is a well assessed approach enabling virtualization of the mobile core and radio access network (RAN) in the emerging 5th Generation New Radio. Slicing is of paramount importance when dealing with the emerging and diverse vertical applications entailing heterogeneous sets of requirements. 5G is also envisioning Unmanned Aerial Vehicles (UAVs) to be a key element in the cellular network standard, aiming at their use as aerial base stations and exploiting their flexible and quick deployment to enhance the wireless network performance. This work presents a UAV-assisted 5G network, where the aerial base stations (UAV-BS) are empowered with network slicing capabilities aiming at optimizing the Service Level Agreement (SLA) satisfaction ratio of a set of users. The users belong to three heterogeneous categories of 5G service type, namely, enhanced mobile broadband (eMBB), ultra-reliable low-latency communication (URLLC), and massive machine-type communication (mMTC). A first application of multi-agent and multi-decision deep reinforcement learning for UAV-BS in a network slicing context is introduced, aiming at the optimization of the SLA satisfaction ratio of users through the joint allocation of radio resources to slices and refinement of the UAV-BSs 2-dimensional trajectories. The performance of the presented strategy have been tested and compared to benchmark heuristics, highlighting a higher percentage of satisfied users (at least 27% more) in a variety of scenarios.
• Abstract（参考訳）: ネットワークスライシングは,第5世代ニューラジオにおける移動体コアと無線アクセスネットワーク(RAN)の仮想化を可能にする,よく評価されたアプローチである。 スライシングは、異質な要件セットを含む、新興で多様な垂直アプリケーションを扱う際に最も重要なものである。 5gはまた、無人航空機(uavs)が携帯電話網の標準の重要な要素となり、航空基地局としての使用と無線ネットワークの性能向上のために柔軟かつ迅速な展開を目標としている。 本研究は、航空基地局(uav-bs)が、一組のユーザのサービスレベルアグリーメント(sla)満足度を最適化することを目的としたネットワークスライシング能力を有する、uav支援5gネットワークを提案する。 ユーザは5gサービスタイプ(enhanced mobile broadband (embb)、ultra-reliable low-latency communication (urllc)、massive machine-type communication (mmtc))の3種類に分類される。 ネットワークスライシングの文脈におけるUAV-BSのマルチエージェントおよび多重決定深度強化学習の第一応用として,UAV-BSの2次元軌道のスライスと改善のための無線リソースの同時割り当てによるユーザのSLA満足度比の最適化を提案する。 提示された戦略のパフォーマンスはテストされ、ベンチマークヒューリスティックスと比較され、さまざまなシナリオにおいて満足度の高いユーザの割合(少なくとも27%以上)が強調されている。

関連論文リスト

• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• Deep Reinforcement Learning Based Placement for Integrated Access Backhauling in UAV-Assisted Wireless Networks [6.895620511689995]
  本稿では, リアルタイムにUAV配置を最適化するために, 深部強化学習(DRL)を活用する新しい手法を提案する。 この取り組みの独特な貢献は、地上ユーザーとの堅牢な接続を保証するだけでなく、中央ネットワークインフラストラクチャとのシームレスな統合を維持するために、無人でUAVを配置できることにある。
  論文  参考訳（メタデータ） (2023-12-21T19:02:27Z)
• UAV Based 5G Network: A Practical Survey Study [0.0]
  無人航空機(UAV)は、新しい無線ネットワークの開発に大きく貢献することが期待されている。 UAVは5Gネットワークの低レイテンシと高速能力を利用して大量のデータをリアルタイムに転送することができる。
  論文  参考訳（メタデータ） (2022-12-27T00:34:59Z)
• Reinforcement Learning Based Resource Allocation for Network Slices in O-RAN Midhaul [4.254099382808598]
  ネットワークスライシングは、Ultra-Reliable Low Communication (URLLC) や Enhanced Mobile Broadband (eMBB) など、異なるサービスに対する異なる要求に基づいて、第5世代(5G)モバイルネットワークリソース割り当てを想定している。 本研究は、ユーザ機器(UE)、エッジオクラウド、地域オクラウドの3つのコンポーネントを備えた、RL互換の簡易エッジネットワークシミュレータを実証する。 このシミュレータは後に、未使用帯域を他のスライスから動的に割り当てることで、ターゲットネットワークスライス(s)のスループットを改善する方法を見つけるために使われる。
  論文  参考訳（メタデータ） (2022-11-14T15:48:13Z)
• Cooperative Multi-Agent Deep Reinforcement Learning for Reliable and Energy-Efficient Mobile Access via Multi-UAV Control [13.692977942834627]
  本稿では,複数無人航空機(UAV)のためのMADRLに基づく位置決めアルゴリズムについて述べる。 提案アルゴリズムの主な目的は、セルラー車間通信(C-V2X)のための信頼性の高い移動アクセスネットワークを確立することである。
  論文  参考訳（メタデータ） (2022-10-03T14:01:52Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• Distributed Conditional Generative Adversarial Networks (GANs) for Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
  無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。 実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。 分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
  論文  参考訳（メタデータ） (2021-02-02T20:56:46Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading [59.32570888309133]
  複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案 非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。 相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
  論文  参考訳（メタデータ） (2020-10-18T20:22:05Z)

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。