論文の概要: Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach
- arxiv url: http://arxiv.org/abs/2303.14355v1
- Date: Sat, 25 Mar 2023 04:42:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:19:52.153635
- Title: Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach
- Title（参考訳）: O-RANにおけるインテリジェントロードバランシングとリソースアロケーション:マルチエージェントマルチArmed Banditアプローチ
- Authors: Chia-Hsiang Lai, Li-Hsiang Shen, Kai-Ten Feng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.834203844100679
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The open radio access network (O-RAN) architecture offers a cost-effective
and scalable solution for internet service providers to optimize their networks
using machine learning algorithms. The architecture's open interfaces enable
network function virtualization, with the O-RAN serving as the primary
communication device for users. However, the limited frequency resources and
information explosion make it difficult to achieve an optimal network
experience without effective traffic control or resource allocation. To address
this, we consider mobility-aware load balancing to evenly distribute loads
across the network, preventing network congestion and user outages caused by
excessive load concentration on open radio unit (O-RU) governed by a single
open distributed unit (O-DU). We have proposed a multi-agent multi-armed bandit
for load balancing and resource allocation (mmLBRA) scheme, designed to both
achieve load balancing and improve the effective sum-rate performance of the
O-RAN network. We also present the mmLBRA-LB and mmLBRA-RA sub-schemes that can
operate independently in non-realtime RAN intelligent controller (Non-RT RIC)
and near-RT RIC, respectively, providing a solution with moderate loads and
high-rate in O-RUs. Simulation results show that the proposed mmLBRA scheme
significantly increases the effective network sum-rate while achieving better
load balancing across O-RUs compared to rule-based and other existing heuristic
methods in open literature.
- Abstract（参考訳）: オープン無線アクセスネットワーク(O-RAN)アーキテクチャは、インターネットサービスプロバイダが機械学習アルゴリズムを使用してネットワークを最適化するためのコスト効率が高くスケーラブルなソリューションを提供する。
アーキテクチャのオープンインターフェースはネットワーク機能の仮想化を可能にし、O-RANはユーザのための主要な通信デバイスである。
しかし、限られた周波数資源と情報爆発により、効率的なトラフィック制御やリソース割り当てなしに最適なネットワーク体験を実現することは困難である。
そこで本研究では,単一オープン分散ユニット(O-DU)が管理するオープン無線ユニット(O-RU)の過負荷集中によるネットワークの混雑やユーザ障害を防止し,ネットワーク全体に均等に負荷を分散するモビリティ対応ロードバランシングを検討する。
本稿では,ロードバランシングとリソース割り当て(mmlbra)のためのマルチエージェントマルチアームバンド方式を提案し,ロードバランシングを実現し,o-ranネットワークの効率的な合計レート性能を向上させる。
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。
シミュレーションの結果,提案手法はO-RU間のロードバランシングをオープンな文献におけるルールベースや既存のヒューリスティック手法と比較して向上させながら,有効ネットワーク和率を著しく向上させることがわかった。
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 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) - 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) - Network-Aided Intelligent Traffic Steering in 6G O-RAN: A Multi-Layer
Optimization Framework [47.57576667752444]
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。
論文 参考訳（メタデータ） (2023-02-06T11:37:06Z) - Fairness Guaranteed and Auction-based x-haul and Cloud Resource
Allocation in Multi-tenant O-RANs [3.4519649635864584]
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。
論文 参考訳（メタデータ） (2023-01-02T11:03:50Z) - 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) - 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) - Optimal Power Allocation for Rate Splitting Communications with Deep
Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。
ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文 参考訳（メタデータ） (2021-07-01T06:32:49Z) - 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) - 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)
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。