Fugu-MT 論文翻訳(概要): Cost-Effective Two-Stage Network Slicing for Edge-Cloud Orchestrated Vehicular Networks

論文の概要: Cost-Effective Two-Stage Network Slicing for Edge-Cloud Orchestrated Vehicular Networks

arxiv url: http://arxiv.org/abs/2301.03358v1
Date: Sat, 31 Dec 2022 06:03:14 GMT
ステータス: 処理完了
システム内更新日: 2023-01-15 23:07:25.796491
Title: Cost-Effective Two-Stage Network Slicing for Edge-Cloud Orchestrated Vehicular Networks
Title（参考訳）: エッジクラウドオーケストレーションベクトルネットワークのためのコスト効果2段階スライシング
Authors: Wen Wu, Kaige Qu, Peng Yang, Ning Zhang, Xuemin (Sherman) Shen, Weihua Zhuang
Abstract要約: 本研究では,エッジクラウド型車両ネットワークにおけるネットワークスライシング問題について検討する。強化学習(RL)と最適化手法を協調的に組み合わせたTAWSアルゴリズムを開発した。シミュレーションの結果,TAWSはベンチマーク方式と比較してネットワークスライシングコストを効果的に削減できることがわかった。
参考スコア（独自算出の注目度）: 21.651539981330355
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we study a network slicing problem for edge-cloud orchestrated vehicular networks, in which the edge and cloud servers are orchestrated to process computation tasks for reducing network slicing cost while satisfying the quality of service requirements. We propose a two-stage network slicing framework, which consists of 1) network planning stage in a large timescale to perform slice deployment, edge resource provisioning, and cloud resource provisioning, and 2) network operation stage in a small timescale to perform resource allocation and task dispatching. Particularly, we formulate the network slicing problem as a two-timescale stochastic optimization problem to minimize the network slicing cost. Since the problem is NP-hard due to coupled network planning and network operation stages, we develop a Two timescAle netWork Slicing (TAWS) algorithm by collaboratively integrating reinforcement learning (RL) and optimization methods, which can jointly make network planning and operation decisions. Specifically, by leveraging the timescale separation property of decisions, we decouple the problem into a large-timescale network planning subproblem and a small-timescale network operation subproblem. The former is solved by an RL method, and the latter is solved by an optimization method. Simulation results based on real-world vehicle traffic traces show that the TAWS can effectively reduce the network slicing cost as compared to the benchmark scheme.
Abstract（参考訳）: 本稿では,エッジとクラウドサーバを編成し,ネットワークスライシングコストを低減し,サービス要求の質を満足する計算処理を行うエッジクラウドオーケストレーション車両ネットワークのネットワークスライシング問題について検討する。本稿では,2段階のネットワークスライシングフレームワークを提案する。 1)スライス展開、エッジリソースのプロビジョニング、クラウドリソースのプロビジョニングを行うため、大規模なネットワークプランニングステージ。 2) リソース割り当てとタスクディスパッチを行うため,小規模の時間スケールでネットワーク運用を行う。特に,ネットワークスライシング問題を2段階確率最適化問題として定式化し,ネットワークスライシングコストを最小化する。ネットワーク計画とネットワーク運用の複合化によるNPハードであるため,ネットワーク計画と運用決定を協調的に行うための強化学習(RL)と最適化手法を協調的に統合し,TAWSアルゴリズムを2倍精度で開発する。具体的には、決定の時間的分離特性を利用して、問題を大規模ネットワーク計画サブプロブレムと小規模ネットワーク運用サブプロブレムに分離する。前者はRL法で解かれ、後者は最適化法で解かれる。実世界の車両トラフィックトレースに基づくシミュレーションの結果,TAWSはベンチマーク手法と比較してネットワークスライシングコストを効果的に削減できることが示された。

関連論文リスト

Lower Bounds and Optimal Algorithms for Non-Smooth Convex Decentralized Optimization over Time-Varying Networks [57.24087627267086]
通信ネットワークのノード間で分散的に格納された凸関数の総和を最小化するタスクについて検討する。この問題を解決するのに必要な分散通信数と(サブ)漸進計算の下位境界が確立されている。我々は,これらの下界に適合する最初の最適アルゴリズムを開発し,既存の最先端技術と比較して理論性能を著しく向上させる。
論文参考訳（メタデータ） (2024-05-28T10:28:45Z)
Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文参考訳（メタデータ） (2023-09-12T13:03:47Z)
Neural Quantile Optimization for Edge-Cloud Computing [17.57923005428252]
我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
論文参考訳（メタデータ） (2023-07-11T11:05:10Z)
Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文参考訳（メタデータ） (2023-03-16T21:06:13Z)
Scheduling Inference Workloads on Distributed Edge Clusters with Reinforcement Learning [11.007816552466952]
本稿では,エッジネットワークにおける予測クエリを短時間でスケジューリングする問題に焦点をあてる。シミュレーションにより,大規模ISPの現実的なネットワーク設定とワークロードにおけるいくつかのポリシーを解析する。我々は、強化学習に基づくスケジューリングアルゴリズムASETを設計し、システム条件に応じてその決定を適応させることができる。
論文参考訳（メタデータ） (2023-01-31T13:23:34Z)
Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
論文参考訳（メタデータ） (2022-10-25T04:46:30Z)
Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文参考訳（メタデータ） (2021-08-15T21:32:47Z)
Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning [12.845204986571053]
本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
論文参考訳（メタデータ） (2021-03-31T11:02:29Z)
Dynamic RAN Slicing for Service-Oriented Vehicular Networks via Constrained Learning [40.5603189901241]
品質の異なる車両用インターネット(IoV)サービスにおける無線アクセスネットワーク(RAN)スライシング問題について検討する。無線スペクトルと演算資源を動的に割り当てる動的RANスライシングフレームワークを提案する。 RAWSは,ベンチマークと比較すると,要求を高い確率で満たしながら,システムコストを効果的に削減できることを示す。
論文参考訳（メタデータ） (2020-12-03T15:08:38Z)
DeepSlicing: Deep Reinforcement Learning Assisted Resource Allocation for Network Slicing [20.723527476555574]
ネットワークスライシングにより、同じ物理インフラストラクチャ上で複数の仮想ネットワークが動作し、5G以降のさまざまなユースケースをサポートすることができる。これらのユースケースには、通信や計算、レイテンシやスループットといったさまざまなパフォーマンス指標など、非常に多様なネットワークリソース要求があります。乗算器の交互方向法(ADMM)と深部強化学習(DRL)を統合したDeepSlicingを提案する。
論文参考訳（メタデータ） (2020-08-17T20:52:19Z)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。