論文の概要: Advanced Scaling Methods for VNF deployment with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2301.08325v1
- Date: Thu, 19 Jan 2023 21:31:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 14:04:43.323435
- Title: Advanced Scaling Methods for VNF deployment with Reinforcement Learning
- Title（参考訳）: 強化学習によるvnf展開のための高度スケーリング手法
- Authors: Namjin Seo, DongNyeong Heo, Heeyoul Choi
- Abstract要約: ネットワーク機能仮想化(NFV)とソフトウェア定義ネットワーク(SDN)は新たなネットワークパラダイムとなっている。
VNFデプロイメントを最適化するための強化学習(RL)ベースのアプローチが提案されている。
本稿では,より一般的なネットワーク設定に適応可能な拡張モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network function virtualization (NFV) and software-defined network (SDN) have
become emerging network paradigms, allowing virtualized network function (VNF)
deployment at a low cost. Even though VNF deployment can be flexible, it is
still challenging to optimize VNF deployment due to its high complexity.
Several studies have approached the task as dynamic programming, e.g., integer
linear programming (ILP). However, optimizing VNF deployment for highly complex
networks remains a challenge. Alternatively, reinforcement learning (RL) based
approaches have been proposed to optimize this task, especially to employ a
scaling action-based method which can deploy VNFs within less computational
time. However, the model architecture can be improved further to generalize to
the different networking settings. In this paper, we propose an enhanced model
which can be adapted to more general network settings. We adopt the improved
GNN architecture and a few techniques to obtain a better node representation
for the VNF deployment task. Furthermore, we apply a recently proposed RL
method, phasic policy gradient (PPG), to leverage the shared representation of
the service function chain (SFC) generation model from the value function. We
evaluate the proposed method in various scenarios, achieving a better QoS with
minimum resource utilization compared to the previous methods. Finally, as a
qualitative evaluation, we analyze our proposed encoder's representation for
the nodes, which shows a more disentangled representation.
- Abstract（参考訳）: ネットワーク機能仮想化(NFV)とソフトウェア定義ネットワーク(SDN)は新たなネットワークパラダイムとなり、仮想化ネットワーク機能(VNF)のデプロイを低コストで実現している。
VNFデプロイメントは柔軟性があるが、その複雑さのためにVNFデプロイメントを最適化することは依然として難しい。
いくつかの研究が動的プログラミングとして、例えば整数線形プログラミング(ILP)としてこのタスクにアプローチしている。
しかしながら、高度に複雑なネットワークに対するVNFデプロイメントの最適化は依然として課題である。
あるいは、このタスクを最適化するために強化学習(RL)ベースのアプローチが提案され、特に、より少ない計算時間でVNFをデプロイできるスケーリングアクションベースの手法が提案されている。
しかし、モデルアーキテクチャをさらに改善して、異なるネットワーク設定に一般化することができる。
本稿では,より一般的なネットワーク設定に適応可能な拡張モデルを提案する。
我々は改良されたGNNアーキテクチャと、VNFデプロイメントタスクのためのより良いノード表現を得るために、いくつかのテクニックを採用する。
さらに,最近提案された RL 法である phasic policy gradient (PPG) を適用し,サービス機能チェーン(SFC) 生成モデルの共有表現を値関数から活用する。
提案手法を様々なシナリオで評価し,従来の手法と比較して資源利用最小のqosを実現する。
最後に,提案したノードに対するエンコーダの表現を質的評価として解析し,より不整合な表現を示す。
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) - 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) - Graph Neural Network Based Node Deployment for Throughput Enhancement [20.56966053013759]
本稿では,ネットワークノード配置問題に対する新しいグラフニューラルネットワーク(GNN)手法を提案する。
提案手法の理論的サポートとして,表現型GNNが関数値とトラフィック置換の両方を近似する能力を持つことを示す。
論文 参考訳（メタデータ） (2022-08-19T08:06:28Z) - Edge Rewiring Goes Neural: Boosting Network Resilience via Policy
Gradient [62.660451283548724]
ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。
ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
論文 参考訳（メタデータ） (2021-10-18T06:14:28Z) - 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) - Reinforcement Learning of Graph Neural Networks for Service Function
Chaining [3.9373541926236766]
サービス機能連鎖(SFC)モジュールは、物理サーバを介してネットワークトラフィックの効率的な経路を生成することで重要な役割を果たす。
従来の教師付き学習手法では,SFCタスクのネットワーク特徴をグラフニューラルネットワーク(GNN)で表現できることが実証された。
本稿では,ラベルなしデータを用いた各種ネットワークトポロジのトレーニングモデルに強化学習手法を適用した。
論文 参考訳（メタデータ） (2020-11-17T03:50:53Z) - Graph Neural Network based Service Function Chaining for Automatic
Network Control [0.4817429789586127]
サービス機能連鎖(SFC)は,ネットワークサーバの効率的な経路を見つけるための重要な技術である。
グラフニューラルネットワーク(GNN)に基づくSFCのための新しいニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-09-11T06:01:27Z) - A Differential Game Theoretic Neural Optimizer for Training Residual
Networks [29.82841891919951]
本稿では、残差接続と畳み込み層の両方を受け入れる一般化微分動的プログラミング(DDP)ニューラルアーキテクチャを提案する。
得られた最適制御表現は、トレーニング残余ネットワークを、状態拡張システム上での協調的軌道最適化と解釈できるゲーム論的視点を許容する。
論文 参考訳（メタデータ） (2020-07-17T10:19:17Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳（メタデータ） (2020-05-20T11:11:47Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z)
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。