論文の概要: Isolation Scheme for Virtual Network Embedding Based on Reinforcement Learning for Smart City Vertical Industries

• arxiv url: http://arxiv.org/abs/2211.14158v1
• Date: Fri, 25 Nov 2022 15:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 18:42:49.992303
• Title: Isolation Scheme for Virtual Network Embedding Based on Reinforcement Learning for Smart City Vertical Industries
• Title（参考訳）: スマート都市垂直産業のための強化学習に基づく仮想ネットワーク埋め込みのための分離手法
• Authors: Ali Gohar
• Abstract要約: 深層強化学習(DRL)に基づく資源・隔離制約付き仮想ネットワーク埋め込み(VNE)アルゴリズムを提案する。 提案したDRL_VNEアルゴリズムは、動的変化に自動的に適応し、既存の3つの最先端ソリューションを12.9%、19.0%、4%の順応率、長期平均歳入、長期平均歳入からコスト比で上回る。
• 参考スコア（独自算出の注目度）: 2.66512000865131
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern ICT infrastructure is built on virtualization technologies, which connect a diverse set of dedicated networks to support a variety of smart city vertical industries (SCVI), such as energy, healthcare, manufacturing, entertainment, and intelligent transportation. The wide range of SCVI use cases require services to operate continuously and reliably. The violation of isolation by a specific SCVI, that is, a SCVI network must operate independently of other SCVI networks, complicates service assurance for infrastructure providers (InPs) significantly. As a result, a solution must be considered from the standpoint of isolation, which raises two issues: first, these SCVI networks have diverse resource requirements, and second, they necessitate additional functionality requirements such as isolation. Based on the above two problems faced by SCVI use cases, we propose a virtual network embedding (VNE) algorithm with resource and isolation constraints based on deep reinforcement learning (DRL). The proposed DRL_VNE algorithm can automatically adapt to changing dynamics and outperforms existing three state-of-the-art solutions by 12.9%, 19.0% and 4% in terms of the acceptance rate, the long-term average revenue, and long-term average revenue to cost ratio.
• Abstract（参考訳）: 現代のICTインフラストラクチャは仮想化技術に基づいて構築されており、エネルギー、医療、製造、エンターテイメント、インテリジェントトランスポートなど、さまざまなスマートシティ垂直産業(SCVI)をサポートするために、さまざまな専用ネットワークを接続している。 幅広いSCVIのユースケースでは、サービスが継続的に確実に運用する必要がある。 特定のSCVIによる分離の違反、すなわち、SCVIネットワークは他のSCVIネットワークとは独立して動作し、インフラプロバイダ(InP)のサービス保証を著しく複雑にする。 第一に、これらのscviネットワークは多様なリソース要件を持ち、第二に、分離のような付加的な機能要件を必要とする。 SCVIのユースケースが直面している2つの問題に基づいて,深層強化学習(DRL)に基づく資源・隔離制約付き仮想ネットワーク埋め込み(VNE)アルゴリズムを提案する。 提案するdrl_vneアルゴリズムは,既存の3つの最先端ソリューションを12.9%,19.0%,4%の順応率,長期平均収益,長期平均収益率,コスト比で比較して,ダイナミクスの変化に自動的に適応することができる。

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)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• 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)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Space-Air-Ground Integrated Multi-domain Network Resource Orchestration based on Virtual Network Architecture: a DRL Method [15.019721463896468]
  宇宙空間統合ネットワーク(SAGIN)は、産業における研究の焦点となっている。 SAGINのデプロイと使用は依然として大きな課題に直面しており、その中では異種リソースのオーケストレーションが重要な問題である。 仮想ネットワークアーキテクチャと深部強化学習(DRL)に基づいて,SAGINクロスドメインVNEアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-03T02:57:20Z)
• 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)
• Age of Information Aware VNF Scheduling in Industrial IoT Using Deep Reinforcement Learning [9.780232937571599]
  深部強化学習(DRL)はそのような問題を解決するための有効な方法として現れている。 本論文では, 単一エージェントの低複素複素アクションアクター-クリティカルRLを用いて離散的および連続的なアクションの両方をカバーする。 その後、エージェントが互いに協力するマルチエージェントDRLスキームにソリューションを拡張します。
  論文  参考訳（メタデータ） (2021-05-10T09:04:49Z)
• Proactive and AoI-aware Failure Recovery for Stateful NFV-enabled Zero-Touch 6G Networks: Model-Free DRL Approach [0.0]
  ゼロタッチPFR(ZT-PFR)と呼ばれるモデルフリー深部強化学習(DRL)に基づくアクティブ障害回復フレームワークを提案する。 ZT-PFRは、ネットワーク機能仮想化(NFV)対応ネットワークにおける組み込みステートフル仮想ネットワーク機能(VNF)用です。
  論文  参考訳（メタデータ） (2021-02-02T21:40:35Z)
• Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
  本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。 無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
  論文  参考訳（メタデータ） (2020-03-29T04:48:22Z)

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。