論文の概要: Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2212.04318v1
• Date: Thu, 8 Dec 2022 15:16:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 16:36:12.534663
• Title: Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine Learning Approach
• Title（参考訳）: 5Gマルチキャリア基地局の電力消費モデリング:機械学習によるアプローチ
• Authors: Nicola Piovesan, David Lopez-Perez, Antonio De Domenico, Xinli Geng, Harvey Bao
• Abstract要約: 人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。 各種のAAUの消費電力挙動を把握できる汎用モデルの設計の利点を示す。
• 参考スコア（独自算出の注目度）: 6.74575019261951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fifth generation of the Radio Access Network (RAN) has brought new services, technologies, and paradigms with the corresponding societal benefits. However, the energy consumption of 5G networks is today a concern. In recent years, the design of new methods for decreasing the RAN power consumption has attracted interest from both the research community and standardization bodies, and many energy savings solutions have been proposed. However, there is still a need to understand the power consumption behavior of state-ofthe-art base station architectures, such as multi-carrier active antenna units (AAUs), as well as the impact of different network parameters. In this paper, we present a power consumption model for 5G AAUs based on artificial neural networks. We demonstrate that this model achieves good estimation performance, and it is able to capture the benefits of energy saving when dealing with the complexity of multi-carrier base stations architectures. Importantly, multiple experiments are carried out to show the advantage of designing a general model able to capture the power consumption behaviors of different types of AAUs. Finally, we provide an analysis of the model scalability and the training data requirements.
• Abstract（参考訳）: 第5世代の無線アクセスネットワーク(ran)は、対応する社会的な利益を伴う新しいサービス、技術、パラダイムをもたらした。 しかし、今日では5Gネットワークのエネルギー消費が懸念されている。 近年,研究コミュニティと標準化団体の双方から,RAN電力消費削減のための新たな手法の設計が注目され,多くの省エネソリューションが提案されている。 しかし、マルチキャリアアクティブアンテナユニット(AAU)のような最先端の基地局アーキテクチャの消費電力挙動や、異なるネットワークパラメータの影響を理解する必要がある。 本稿では,人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。 このモデルが優れた推定性能を達成し,マルチキャリア・ベース・ステーション・アーキテクチャの複雑さに対処する際の省エネルギーの利点を把握できることを実証する。 重要となるのは,様々な種類のaauの電力消費挙動を捉える汎用モデルの設計の利点を示すため,複数の実験を行ったことである。 最後に,モデルのスケーラビリティとトレーニングデータ要件の分析を行う。

関連論文リスト

• Revisiting DNN Training for Intermittently Powered Energy Harvesting Micro Computers [0.6721767679705013]
  本研究では,エネルギー制約環境下でのディープニューラルネットワークに適した新しいトレーニング手法を紹介し,評価する。 本稿では,デバイスアーキテクチャとエネルギー可用性の変動性の両方に適応する動的ドロップアウト手法を提案する。 予備的な結果は、この戦略が5%未満の計算量を持つ最先端技術と比較して6～22%の精度向上をもたらすことを示している。
  論文  参考訳（メタデータ） (2024-08-25T01:13:00Z)
• Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need [21.483076846188837]
  本稿では、ITU 5G基地エネルギー消費モデルチャレンジで使用される実世界のデータセットから学習し、新しい5G基地エネルギー消費モデルを提案する。 提案手法は既存のモデルよりも大幅に改善され,平均絶対パーセンテージエラー(MAPE)が12.75%から4.98%に削減され,60%以上の性能向上が達成された。
  論文  参考訳（メタデータ） (2024-06-13T06:02:15Z)
• Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
  本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。 ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。 その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
  論文  参考訳（メタデータ） (2023-12-31T10:03:08Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Energy Consumption of Neural Networks on NVIDIA Edge Boards: an Empirical Model [6.809944967863927]
  近年、レイテンシの低減とデータプライバシの保護のために、ディープラーニング推論タスクの実行を、ユーザに近いネットワークのエッジにシフトする傾向があります。 本研究では,現代のエッジノードにおける推論タスクのエネルギ消費をプロファイリングすることを目的とする。 そこで我々は, 検討ボード上である推論タスクのエネルギー消費を推定できる, 単純で実用的なモデルを構築した。
  論文  参考訳（メタデータ） (2022-10-04T14:12:59Z)
• Machine Learning and Analytical Power Consumption Models for 5G Base Stations [6.287715553901191]
  本稿では,5GマルチキャリアBSの消費電力を現実的に評価するための新しいモデルを提案する。 このフレームワークが収集した知識を活用して、現実的で分析可能な電力消費モデルを導出する。
  論文  参考訳（メタデータ） (2022-09-23T14:07:36Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。