論文の概要: Intelligent multicast routing method based on multi-agent deep reinforcement learning in SDWN

• arxiv url: http://arxiv.org/abs/2305.10440v1
• Date: Fri, 12 May 2023 14:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-21 10:23:18.167974
• Title: Intelligent multicast routing method based on multi-agent deep reinforcement learning in SDWN
• Title（参考訳）: SDWNにおけるマルチエージェント深部強化学習に基づくインテリジェントマルチキャストルーティング手法
• Authors: Hongwen Hu, Miao Ye, Chenwei Zhao, Qiuxiang Jiang, Yong Wang, Hongbing Qiu and Xiaofang Deng
• Abstract要約: マルチキャスト通信技術は、デバイス密度の高い無線環境に広く応用されている。 本稿では,ソフトウェア定義無線ネットワーク(SDWN)環境におけるマルチエージェント深部強化学習(MADRL-MR)に基づく新しいマルチキャストルーティング手法を提案する。 シミュレーション実験により,MADRL-MRはスループット,遅延,パケット損失率などの観点から,既存のアルゴリズムよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 4.521033397097599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multicast communication technology is widely applied in wireless environments with a high device density. Traditional wireless network architectures have difficulty flexibly obtaining and maintaining global network state information and cannot quickly respond to network state changes, thus affecting the throughput, delay, and other QoS requirements of existing multicasting solutions. Therefore, this paper proposes a new multicast routing method based on multiagent deep reinforcement learning (MADRL-MR) in a software-defined wireless networking (SDWN) environment. First, SDWN technology is adopted to flexibly configure the network and obtain network state information in the form of traffic matrices representing global network links information, such as link bandwidth, delay, and packet loss rate. Second, the multicast routing problem is divided into multiple subproblems, which are solved through multiagent cooperation. To enable each agent to accurately understand the current network state and the status of multicast tree construction, the state space of each agent is designed based on the traffic and multicast tree status matrices, and the set of AP nodes in the network is used as the action space. A novel single-hop action strategy is designed, along with a reward function based on the four states that may occur during tree construction: progress, invalid, loop, and termination. Finally, a decentralized training approach is combined with transfer learning to enable each agent to quickly adapt to dynamic network changes and accelerate convergence. Simulation experiments show that MADRL-MR outperforms existing algorithms in terms of throughput, delay, packet loss rate, etc., and can establish more intelligent multicast routes.
• Abstract（参考訳）: マルチキャスト通信技術は、デバイス密度の高い無線環境で広く利用されている。 従来の無線ネットワークアーキテクチャは、グローバルなネットワーク状態情報を取得し維持することは困難であり、ネットワーク状態の変化に迅速に対応できないため、既存のマルチキャストソリューションのスループット、遅延、その他のQoS要求に影響を与える。 そこで本稿では,ソフトウェア定義無線ネットワーク(sdwn)環境におけるマルチエージェント深層強化学習(madrl-mr)に基づく新しいマルチキャストルーティング手法を提案する。 まず、ネットワークを柔軟に構成し、リンク帯域幅、遅延、パケットロス率などのグローバルネットワークリンク情報を表すトラフィック行列形式でネットワーク状態情報を取得するsdwn技術を採用する。 第二に、マルチキャストルーティング問題は複数のサブプロブレムに分割され、マルチエージェント協調によって解決される。 各エージェントが現在のネットワーク状態とマルチキャストツリーの構築状況を正確に把握できるようにし、トラフィックとマルチキャストツリーの状態行列に基づいて各エージェントの状態空間を設計し、ネットワーク内のapノードの集合をアクションスペースとして使用する。 新しいシングルホップアクション戦略は、木の構築中に発生する4つの状態(プログレッシブ、無効、ループ、終了)に基づく報酬関数と共に設計されている。 最後に、分散トレーニングアプローチと転送学習を組み合わせることで、各エージェントが動的ネットワーク変更に迅速に適応し、収束を加速することができる。 シミュレーション実験により、MADRL-MRはスループット、遅延、パケット損失率などの点で既存のアルゴリズムより優れており、よりインテリジェントなマルチキャスト経路を確立することができることが示された。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• MA-CDMR: An Intelligent Cross-domain Multicast Routing Method based on Multiagent Deep Reinforcement Learning in Multi-domain SDWN [11.292955979869628]
  複数のコントローラを持つソフトウェア定義無線ネットワークにおけるクロスドメインマルチキャストルーティングは、古典的なNPハード最適化問題である。 既存のソリューションは、ネットワークトラフィックの状態を検出する能力に制限があり、マルチキャストサービスのサービス品質に影響を与える。 本稿では,マルチコントローラドメインを用いたSDWNのためのマルチエージェント深層強化学習に基づくクロスドメインマルチキャストルーティング手法の設計と実装を目的とする。
  論文  参考訳（メタデータ） (2024-08-27T08:16:32Z)
• DeepMPR: Enhancing Opportunistic Routing in Wireless Networks through Multi-Agent Deep Reinforcement Learning [0.5818726765408144]
  機会的ルーティングは、無線ネットワークのブロードキャスト能力に依存する。 ブロードキャストのコストを削減するため、マルチキャストルーティングスキームはネットワークオーバーヘッドを減らすためにコネクテッド・ドミネーション・セット(CDS)またはマルチポイント・リレー・セット(MPR)を使用する。 一般的なMPR選択アルゴリズムは、ノード間の調整に依存し、大規模ネットワークには高い計算能力を必要とし、ネットワークの不確実性にチューニングすることが困難である。 本稿では,OLSR MPR選択アルゴリズムよりも優れた新しいMPRマルチキャストルーティング手法であるDeepMPRを設計するために,マルチエージェントディープ強化学習を用いる。
  論文  参考訳（メタデータ） (2023-06-16T05:53:42Z)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• 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)
• DRL-M4MR: An Intelligent Multicast Routing Approach Based on DQN Deep Reinforcement Learning in SDN [4.904736570736502]
  ソフトウェア定義ネットワーク(SDN)における最適マルチキャストルーティング問題は、多目的最適化問題として最適化される。 深部Qネットワーク(DQN)深部強化学習(DRL)法に基づくインテリジェントマルチキャストルーティングアルゴリズムDRL-M4MRはSDNでマルチキャストツリーを構築するために設計されている。 実験の結果,DRL-M4MRによるマルチキャストツリー構築は,既存のアルゴリズムと比較して,トレーニング後の帯域幅,遅延,パケット損失率を向上できることがわかった。
  論文  参考訳（メタデータ） (2022-07-31T07:33:54Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Relational Deep Reinforcement Learning for Routing in Wireless Networks [2.997420836766863]
  我々は,トラフィックパターン,混雑レベル,ネットワーク接続性,リンクダイナミクスを一般化した,深層強化学習に基づく分散ルーティング戦略を開発した。 提案アルゴリズムは,パケットの配送やパケット毎の遅延に対して,最短経路とバックプレッシャルーティングに優れる。
  論文  参考訳（メタデータ） (2020-12-31T16:28:21Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。