論文の概要: A Deep RL Approach on Task Placement and Scaling of Edge Resources for
Cellular Vehicle-to-Network Service Provisioning
- arxiv url: http://arxiv.org/abs/2305.09832v1
- Date: Tue, 16 May 2023 22:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 18:22:06.455356
- Title: A Deep RL Approach on Task Placement and Scaling of Edge Resources for
Cellular Vehicle-to-Network Service Provisioning
- Title(参考訳): セルラー車間通信サービス提供のためのエッジリソースのタスク配置とスケーリングに関する深部RLアプローチ
- Authors: Cyril Shih-Huan Hsu, Jorge Mart\'in-P\'erez, Danny De Vleeschauwer,
Koteswararao Kondepu, Luca Valcarenghi, Xi Li, Chrysa Papagianni
- Abstract要約: 本稿では,C-V2N(Cellular Vehicular-to-Network)サービス提供のための分散型アプローチを提案する。
サービスタスクの配置とエッジリソースのスケーリングの両立した問題に対処する。
スケーリングエージェントに焦点をあてて、いくつかのState-of-the-Artスケーリングアプローチに対して、我々のアプローチのパフォーマンスをベンチマークする。
- 参考スコア(独自算出の注目度): 7.478068133366626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cellular-Vehicle-to-Everything (C-V2X) is currently at the forefront of the
digital transformation of our society. By enabling vehicles to communicate with
each other and with the traffic environment using cellular networks, we
redefine transportation, improving road safety and transportation services,
increasing efficiency of traffic flows, and reducing environmental impact. This
paper proposes a decentralized approach for provisioning Cellular
Vehicular-to-Network (C-V2N) services, addressing the coupled problems of
service task placement and scaling of edge resources. We formalize the joint
problem and prove its complexity. We propose an approach to tackle it, linking
the two problems, employing decentralized decision-making using (i) a greedy
approach for task placement and (ii) a Deep Deterministic Policy Gradient
(DDPG) based approach for scaling. We benchmark the performance of our
approach, focusing on the scaling agent, against several State-of-the-Art (SoA)
scaling approaches via simulations using a real C-V2N traffic data set. The
results show that DDPG-based solutions outperform SoA solutions, keeping the
latency experienced by the C-V2N service below the target delay while
optimizing the use of computing resources. By conducting a complexity analysis,
we prove that DDPG-based solutions achieve runtimes in the range of
sub-milliseconds, meeting the strict latency requirements of C-V2N services.
- Abstract(参考訳): セルラーVehicle-to-Everything(C-V2X)は現在、私たちの社会のデジタルトランスフォーメーションの最前線にいます。
車両がセルラーネットワークを用いて交通環境と通信できるようにすることで,交通の便宜,道路安全・交通サービスの改善,交通流の効率化,環境への影響の低減を図る。
本稿では,C-V2N(Cellular Vehicular-to-Network)サービスを分散的に提供し,サービスタスク配置とエッジリソースのスケーリングという課題に対処する手法を提案する。
我々は共同問題を形式化し、その複雑さを証明する。
そこで我々は,2つの問題をリンクして,分散的意思決定を用いたアプローチを提案する。
(i)課題配置に対する欲望のあるアプローチ
(ii)スケーリングのためのDeep Deterministic Policy Gradient(DDPG)ベースのアプローチ。
我々は,実際のC-V2Nトラヒックデータセットを用いたシミュレーションにより,提案手法の性能をベンチマークし,スケーリングエージェントに着目した。
その結果、ddpgベースのソリューションはsoaソリューションよりも優れており、c-v2nサービスがターゲットの遅延よりもレイテンシを保ちながら、コンピューティングリソースの使用を最適化していることがわかった。
複雑度解析により,DDPGをベースとしたソリューションが,C-V2Nサービスの厳格なレイテンシ要件を満たすために,ミリ秒未満のランタイムを実現することを示す。
関連論文リスト
- Joint Service Caching, Communication and Computing Resource Allocation
in Collaborative MEC Systems: A DRL-based Two-timescale Approach [15.264005855141901]
端末の厳格なQuality of Service(QoS)要件を満たすため、Multi Access Edge Computing(MEC)システムに課題が課されている。
エッジサーバ間のリソース共有を容易にする協調的なフレームワークを提案する。
提案アルゴリズムは,平均スイッチングおよびキャッシュコストにおいて,ベースラインアルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-19T00:27:49Z) - Multi-Agent Reinforcement Learning for Network Routing in Integrated
Access Backhaul Networks [0.0]
IABネットワークの遅延を最小化しながらパケット到着率を最大化することを目的としている。
この問題を解決するため、我々はマルチエージェントで部分的に観察されたマルコフ決定プロセス(POMD)を開発した。
A2Cは他の強化学習アルゴリズムよりも優れており、ネットワーク効率が向上し、利己的エージェントの挙動が低下することを示した。
論文 参考訳(メタデータ) (2023-05-12T13:03:26Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳(メタデータ) (2023-02-02T18:27:20Z) - V2N Service Scaling with Deep Reinforcement Learning [0.0]
我々は、エッジコンピューティングの垂直スケーリングにDeep Reinforcement Learning(DRL)を使用し、車両間通信をサポートする。
DDPGは既存のソリューションよりも優れており、アクティブCPUの平均数は23%減少し、長期報酬は24%増加した。
論文 参考訳(メタデータ) (2023-01-30T23:13:18Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳(メタデータ) (2022-03-05T10:54:05Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳(メタデータ) (2021-11-11T11:31:20Z) - Cellular traffic offloading via Opportunistic Networking with
Reinforcement Learning [0.5758073912084364]
本稿では,Reinforcement Learningフレームワークに基づく適応型オフロードソリューションを提案する。
Actor-Critic と Q-Learning の2つのよく知られた学習アルゴリズムの性能を評価し比較する。
我々のソリューションは、他の最先端のアプローチよりも高いレベルのオフロードを実現する。
論文 参考訳(メタデータ) (2021-10-01T13:34:12Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳(メタデータ) (2021-06-08T16:27:04Z) - Deep Learning-based Resource Allocation For Device-to-Device
Communication [66.74874646973593]
デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。
任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。
シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
論文 参考訳(メタデータ) (2020-11-25T14:19:23Z) - Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions [30.606518785629046]
高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。
本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
論文 参考訳(メタデータ) (2020-08-14T11:48:13Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳(メタデータ) (2020-01-22T08:51:05Z)
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。