論文の概要: Network-Aided Intelligent Traffic Steering in 6G O-RAN: A Multi-Layer Optimization Framework

• arxiv url: http://arxiv.org/abs/2302.02711v2
• Date: Mon, 29 May 2023 14:54:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 01:51:15.624972
• Title: Network-Aided Intelligent Traffic Steering in 6G O-RAN: A Multi-Layer Optimization Framework
• Title（参考訳）: 6G O-RANにおけるネットワーク支援インテリジェントトラフィックステアリング:多層最適化フレームワーク
• Authors: Van-Dinh Nguyen, Thang X. Vu, Nhan Thanh Nguyen, Dinh C. Nguyen, Markku Juntti, Nguyen Cong Luong, Dinh Thai Hoang, Diep N. Nguyen and Symeon Chatzinotas
• Abstract要約: オープンRAN(O-RAN)におけるインテリジェントステアリングアプリケーションを実現するために,フロースプリット分布,渋滞制御,スケジューリング(JFCS)を共同で最適化する。 i) 適切な無線ユニットへのトラフィックを効率よく、適応的に誘導する新しいJFCSフレームワークを提案し、i) 強化学習、内近似、二項探索に基づく低複雑さアルゴリズムを開発し、異なる時間スケールでJFCS問題を効果的に解決し、iv) 厳密な理論的性能結果を分析し、遅延とユーティリティ最適化のトレードオフを改善するためのスケーリング係数が存在することを示す。
• 参考スコア（独自算出の注目度）: 47.57576667752444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To enable an intelligent, programmable and multi-vendor radio access network (RAN) for 6G networks, considerable efforts have been made in standardization and development of open RAN (O-RAN). So far, however, the applicability of O-RAN in controlling and optimizing RAN functions has not been widely investigated. In this paper, we jointly optimize the flow-split distribution, congestion control and scheduling (JFCS) to enable an intelligent traffic steering application in O-RAN. Combining tools from network utility maximization and stochastic optimization, we introduce a multi-layer optimization framework that provides fast convergence, long-term utility-optimality and significant delay reduction compared to the state-of-the-art and baseline RAN approaches. Our main contributions are three-fold: i) we propose the novel JFCS framework to efficiently and adaptively direct traffic to appropriate radio units; ii) we develop low-complexity algorithms based on the reinforcement learning, inner approximation and bisection search methods to effectively solve the JFCS problem in different time scales; and iii) the rigorous theoretical performance results are analyzed to show that there exists a scaling factor to improve the tradeoff between delay and utility-optimization. Collectively, the insights in this work will open the door towards fully automated networks with enhanced control and flexibility. Numerical results are provided to demonstrate the effectiveness of the proposed algorithms in terms of the convergence rate, long-term utility-optimality and delay reduction.
• Abstract（参考訳）: 6Gネットワークのためのインテリジェントでプログラム可能なマルチベンダ無線アクセスネットワーク(RAN)を実現するために、オープンRAN(O-RAN)の標準化と開発に多大な努力が払われている。 しかし、これまでのところ、RAN関数の制御と最適化におけるO-RANの適用性は広く研究されていない。 本稿では,O-RANにおけるインテリジェントなトラフィックステアリングアプリケーションを実現するために,フロースプリット分布,渋滞制御,スケジューリング(JFCS)を協調的に最適化する。 ネットワークユーティリティの最大化と確率的最適化のツールを組み合わせて、高速収束、長期のユーティリティ最適化、および最先端およびベースライン実行アプローチと比較して大幅な遅延削減を提供する多層最適化フレームワークを提案する。 私たちの主な貢献は3倍です。 一 適切な無線ユニットに効率的にかつ適応的にトラフィックを誘導する新しいJFCSフレームワークを提案する。 二 強化学習法、内的近似法、二断面探索法に基づく低複雑度アルゴリズムを開発し、異なる時間スケールでjfcs問題を効果的に解く。 三 厳密な理論性能の結果を分析して、遅延とユーティリティ最適化のトレードオフを改善するためのスケーリング要因が存在することを示す。 この作業における洞察は、コントロールと柔軟性が強化された完全に自動化されたネットワークへの扉を開くことになる。 提案手法の有効性を, 収束速度, 長期有効性, 遅延低減の観点から示すため, 数値実験を行った。

関連論文リスト

• Semi-Supervised Learning Approach for Efficient Resource Allocation with Network Slicing in O-RAN [5.6189692698829115]
  Open Radio Access Network (O-RAN) は、ネットワークオペレーターにとって有望なソリューションである。 xAPP(x-applications)の効果的なコーディネーションの確保は、柔軟性の向上とネットワーク性能の最適化に不可欠である。 我々は、O-RANにおけるネットワークスライシングとリソースアロケーションのために、複数の独立したxAPPを協調させることを目的として、リソースアロケーション問題に革新的なアプローチを導入する。
  論文  参考訳（メタデータ） (2024-01-16T22:23:27Z)
• Joint User Association, Interference Cancellation and Power Control for Multi-IRS Assisted UAV Communications [80.35959154762381]
  インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。 既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。 我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
  論文  参考訳（メタデータ） (2023-12-08T01:57:10Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Safe and Accelerated Deep Reinforcement Learning-based O-RAN Slicing: A Hybrid Transfer Learning Approach [20.344810727033327]
  我々は,DRLをベースとしたO-RANスライシングにおいて,安全かつ迅速な収束を実現するためのハイブリッドTL支援手法を提案し,設計する。 提案されたハイブリッドアプローチは、少なくとも7.7%と20.7%は、平均的な初期報酬値と収束シナリオの割合を改善している。
  論文  参考訳（メタデータ） (2023-09-13T18:58:34Z)
• Multi-Flow Transmission in Wireless Interference Networks: A Convergent Graph Learning Approach [9.852567834643292]
  ネットワークデータ信号の2段階干渉対応マルチフロー最適化(DIAMOND)という新しいアルゴリズムを提案する。 集中型ステージは、グラフニューラルネットワーク(GNN)強化学習(RL)ルーティングエージェントの新しい設計を用いて、マルチフロー伝送戦略を計算する。 そして、分散学習更新の新しい設計に基づいて、分散ステージにより性能が向上する。
  論文  参考訳（メタデータ） (2023-03-27T18:49:47Z)
• Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement Learning [3.59419219139168]
  Open RAN(O-RAN)は、インテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。 本稿では,機械学習(ML)に基づくトラフィックステアリング(TS)方式を提案する。 我々のソリューションは、O-RANのxAppsとして提供される従来のリアクティブTSアプローチに対して評価され、デプロイされたすべてのSFC間で平均15.81パーセントの待ち行列が減少することを示している。
  論文  参考訳（メタデータ） (2023-03-03T14:34:25Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Over-the-Air Federated Learning via Second-Order Optimization [37.594140209854906]
  フェデレートラーニング(FL)は、無線ネットワーク上でのタスク指向のデータトラフィックを、限られた無線リソースによって引き起こす可能性がある。 本稿では,通信ラウンドを同時に削減し,低レイテンシなグローバルモデルアグリゲーションを実現するために,空対2次フェデレーション最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-29T12:39:23Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。