論文の概要: Fairness Guaranteed and Auction-based x-haul and Cloud Resource
Allocation in Multi-tenant O-RANs
- arxiv url: http://arxiv.org/abs/2301.00597v1
- Date: Mon, 2 Jan 2023 11:03:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 15:47:26.150324
- Title: Fairness Guaranteed and Auction-based x-haul and Cloud Resource
Allocation in Multi-tenant O-RANs
- Title（参考訳）: マルチテナントO-RANにおけるフェアネス保証とオークションベースのx-haulとクラウドリソース割り当て
- Authors: Sourav Mondal and Marco Ruffini
- Abstract要約: 本稿では,min-max Fairness と Vickrey-Clarke-Groves (VCG) オークションベースの x-haul と DU-CU リソース割り当て機構の性能を比較検討する。
min-max Fairアプローチは、RUの最大OPEXを、彼らの要求に比例したコスト共有によって最小化するが、VCGオークションベースのアプローチは、利用しているすべてのリソースの合計OPEXを最小化する。
- 参考スコア（独自算出の注目度）: 3.4519649635864584
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The open-radio access network (O-RAN) embraces cloudification and network
function virtualization for base-band function processing by dis-aggregated
radio units (RUs), distributed units (DUs), and centralized units (CUs). These
enable the cloud-RAN vision in full, where multiple mobile network operators
(MNOs) can install their proprietary or open RUs, but lease on-demand
computational resources for DU-CU functions from commonly available open-clouds
via open x-haul interfaces. In this paper, we propose and compare the
performances of min-max fairness and Vickrey-Clarke-Groves (VCG) auction-based
x-haul and DU-CU resource allocation mechanisms to create a multi-tenant O-RAN
ecosystem that is sustainable for small, medium, and large MNOs. The min-max
fair approach minimizes the maximum OPEX of RUs through cost-sharing
proportional to their demands, whereas the VCG auction-based approach minimizes
the total OPEX for all resources utilized while extracting truthful demands
from RUs. We consider time-wavelength division multiplexed (TWDM) passive
optical network (PON)-based x-haul interfaces where PON virtualization
technique is used to flexibly provide optical connections among RUs and
edge-clouds at macro-cell RU locations as well as open-clouds at the central
office locations. Moreover, we design efficient heuristics that yield
significantly better economic efficiency and network resource utilization than
conventional greedy resource allocation algorithms and reinforcement
learning-based algorithms.
- Abstract（参考訳）: オープンラジオアクセスネットワーク(O-RAN)は、非集約無線ユニット(RU)、分散ユニット(DU)、中央集権ユニット(CU)によるベースバンド関数処理のためのクラウド化とネットワーク機能仮想化を採用している。
これにより、複数のモバイルネットワークオペレータ(MNO)が独自またはオープンなRUをインストールできるが、オープンなx-haulインターフェースを通じて、一般に利用可能なオープンクラウドからDU-CU関数のオンデマンド計算リソースをリースすることができる。
本稿では,小・中・大規模MNOに対して持続可能なマルチテナントO-RANエコシステムを構築するために,min-max FairnessとVickrey-Clarke-Groves(VCG)オークションベースのx-haulとDU-CUリソース割り当て機構を提案する。
min-maxフェアアプローチはコスト共有によるrusの最大opexを最小化し、vcgオークションベースのアプローチは、rusから真理的な要求を抽出しながら使用されるすべてのリソースのopexを最小化する。
我々は、pon仮想化技術を用いて、rusとエッジクラウド間の光接続をマクロセルruロケーションと中央オフィスロケーションのオープンクラウド間で柔軟に提供するtwdm(time-wavelength division multiplexed)パッシブ光ネットワーク(pon)ベースのx-haulインターフェースを検討する。
さらに,従来の資源割当アルゴリズムや強化学習に基づくアルゴリズムに比べ,経済効率とネットワーク資源利用率を著しく向上させる効率的なヒューリスティックの設計を行った。
関連論文リスト
- AdapShare: An RL-Based Dynamic Spectrum Sharing Solution for O-RAN [1.906179410714637]
AdapShareは、インテントベースのスペクトル管理に強化学習を活用する、ORAN互換のソリューションである。
RLエージェントを採用することで、AdapShareはインテリジェントにネットワーク要求パターンを学び、リソースを割り当てる。
AdapShareは、長期ネットワーク需要統計に基づく準静的リソース割り当て方式より優れている。
論文 参考訳（メタデータ） (2024-08-29T18:10:36Z) - 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) - A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC
Orchestration [12.914011030970814]
マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。
本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
論文 参考訳（メタデータ） (2023-12-26T18:04:49Z) - Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。
また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:42:30Z) - Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文 参考訳（メタデータ） (2023-03-05T12:25:49Z) - 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) - 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) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - 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) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - Self-play Learning Strategies for Resource Assignment in Open-RAN
Networks [3.763743638851161]
open radio access network (oran) は、将来のモバイルデータネットワークのコストを削減し、アクセスを民主化する目的で開発されている。
ORANでは、ネットワーク機能はリモートユニット(RU)、分散ユニット(DU)、中央ユニット(CU)に分解される。
論文 参考訳（メタデータ） (2021-03-03T19:31:29Z)
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。