論文の概要: An Isolation-Aware Online Virtual Network Embedding via Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2211.14158v3
• Date: Thu, 14 Dec 2023 10:49:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-16 05:31:09.224624
• Title: An Isolation-Aware Online Virtual Network Embedding via Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習による孤立型オンライン仮想ネットワーク埋め込み
• Authors: Ali Gohar, Chunming Rong, Sanghwan Lee
• Abstract要約: ネットワーク環境では、複数の仮想ネットワーク(VN)が同じ物理インフラ上に共存することがある。 本稿では,仮想ネットワーク埋め込み(VNE)において,VNを物理インフラにアロケートする手法として分離することを提案する。 資源と隔離の制約を考慮した深層強化学習アルゴリズムISO-DRL_VNEを提案する。
• 参考スコア（独自算出の注目度）: 4.051523221722475
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Virtualization technologies are the foundation of modern ICT infrastructure, enabling service providers to create dedicated virtual networks (VNs) that can support a wide range of smart city applications. These VNs continuously generate massive amounts of data, necessitating stringent reliability and security requirements. In virtualized network environments, however, multiple VNs may coexist on the same physical infrastructure and, if not properly isolated, may interfere with or provide unauthorized access to one another. The former causes performance degradation, while the latter compromises the security of VNs. Service assurance for infrastructure providers becomes significantly more complicated when a specific VN violates the isolation requirement. In an effort to address the isolation issue, this paper proposes isolation during virtual network embedding (VNE), the procedure of allocating VNs onto physical infrastructure. We define a simple abstracted concept of isolation levels to capture the variations in isolation requirements and then formulate isolation-aware VNE as an optimization problem with resource and isolation constraints. A deep reinforcement learning (DRL)-based VNE algorithm ISO-DRL_VNE, is proposed that considers resource and isolation constraints and is compared to the existing three state-of-the-art algorithms: NodeRank, Global Resource Capacity (GRC), and Mote-Carlo Tree Search (MCTS). Evaluation results show that the ISO-DRL_VNE algorithm outperforms others in acceptance ratio, long-term average revenue, and long-term average revenue-to-cost ratio by 6%, 13%, and 15%.
• Abstract（参考訳）: 仮想化技術は、現代的なictインフラストラクチャの基礎であり、サービスプロバイダが幅広いスマートシティアプリケーションをサポートする専用の仮想ネットワーク(vns)を作成することができる。 これらのVNは大量のデータを継続的に生成し、厳格な信頼性とセキュリティ要件を必要とする。 しかし、仮想化ネットワーク環境では、複数のVNが同一の物理インフラ上で共存し、適切に分離されていない場合、互いに干渉したり、相互に不正アクセスを与えたりすることができる。 前者は性能低下を引き起こすが、後者はVNのセキュリティを損なう。 特定のvnが分離要件に違反した場合、インフラストラクチャプロバイダのサービス保証は大幅に複雑になる。 本稿では,VNを物理インフラに割り当てる仮想ネットワーク埋め込み(VNE)における分離手法を提案する。 分離レベルの単純な抽象概念を定義して,分離要件のバリエーションを捉え,リソースと分離制約の最適化問題として分離対応vneを定式化する。 リソースとアイソレーションの制約を考慮し,既存の3つの最先端アルゴリズムであるNodeRank, Global Resource Capacity (GRC), Mote-Carlo Tree Search (MCTS)と比較した,DRL(Deep reinforcement Learning)ベースのVNEアルゴリズムであるISO-DRL_VNEを提案する。 評価の結果,iso-drl_vneアルゴリズムは,受入率,長期平均収益率,長期平均収益対コスト比において,6%,13%,15%の差を示した。

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。