論文の概要: Generalizable Resource Scaling of 5G Slices using Constrained Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2306.09290v1
• Date: Thu, 15 Jun 2023 17:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 13:35:36.184871
• Title: Generalizable Resource Scaling of 5G Slices using Constrained Reinforcement Learning
• Title（参考訳）: 拘束強化学習を用いた5Gスライスの汎用的資源スケーリング
• Authors: Muhammad Sulaiman, Mahdieh Ahmadi, Mohammad A. Salahuddin, Raouf Boutaba, Aladdin Saleh
• Abstract要約: ネットワークスライシングは、5Gが様々なアプリケーションをサポートするための重要なイネーブルである。 5G インフラストラクチャプロバイダ (InP) は,スライストラフィックに応じて適切なリソースを割り当てることが必須である。
• 参考スコア（独自算出の注目度）: 2.0024258465343268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network slicing is a key enabler for 5G to support various applications. Slices requested by service providers (SPs) have heterogeneous quality of service (QoS) requirements, such as latency, throughput, and jitter. It is imperative that the 5G infrastructure provider (InP) allocates the right amount of resources depending on the slice's traffic, such that the specified QoS levels are maintained during the slice's lifetime while maximizing resource efficiency. However, there is a non-trivial relationship between the QoS and resource allocation. In this paper, this relationship is learned using a regression-based model. We also leverage a risk-constrained reinforcement learning agent that is trained offline using this model and domain randomization for dynamically scaling slice resources while maintaining the desired QoS level. Our novel approach reduces the effects of network modeling errors since it is model-free and does not require QoS metrics to be mathematically formulated in terms of traffic. In addition, it provides robustness against uncertain network conditions, generalizes to different real-world traffic patterns, and caters to various QoS metrics. The results show that the state-of-the-art approaches can lead to QoS degradation as high as 44.5% when tested on previously unseen traffic. On the other hand, our approach maintains the QoS degradation below a preset 10% threshold on such traffic, while minimizing the allocated resources. Additionally, we demonstrate that the proposed approach is robust against varying network conditions and inaccurate traffic predictions.
• Abstract（参考訳）: ネットワークスライシングは、5gが様々なアプリケーションをサポートするためのキーイネーブラである。 サービスプロバイダ(SP)が要求するスライスには,レイテンシやスループット,ジッタなど,不均一なサービス品質(QoS)要件がある。 5gインフラストラクチャプロバイダ(inp)は、スライスのトラフィックに応じて適切な量のリソースを割り当てることが必須であり、リソース効率を最大化しながら、スライスの寿命の間、指定されたqosレベルが維持される。 しかし、QoSとリソース割り当てとの間には非自明な関係がある。 本稿では,この関係を回帰モデルを用いて学習する。 また,このモデルを用いてオフラインでトレーニングされたリスク対応強化学習エージェントと,所望のqosレベルを維持しながらスライスリソースを動的にスケーリングするためのドメインランダム化を活用する。 提案手法は,モデルフリーであり,トラフィックの観点からqosメトリクスを数学的に定式化する必要がないため,ネットワークモデリングエラーの影響を低減する。 さらに、不確実なネットワーク条件に対して堅牢性を提供し、異なる現実世界のトラフィックパターンに一般化し、様々なQoSメトリクスに対応します。 その結果、最先端のアプローチはqosの劣化を44.5%まで高めることが判明した。 一方,本手法では,割り当てられた資源を最小化しつつ,これらのトラフィックの10%のしきい値以下でQoS劣化を抑える。 さらに,提案手法は様々なネットワーク条件や不正確なトラフィック予測に対して堅牢であることを示す。

関連論文リスト

• Learn to Optimize Resource Allocation under QoS Constraint of AR [6.073675653083644]
  本稿では,対話型拡張現実(AR)サービスにおけるアップリンクとダウンリンクのパワーアロケーションについて検討する。 タンデムキューシステムとしてAR伝送プロセスをモデル化することにより、エンドツーエンドのレイテンシと信頼性に関するQoS(probabilistic quality of Service)要件の上限を導出する。 本稿では、最適電力配分構造を利用して学習性能を向上させることによって、電力配分ポリシーを学習するためのディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2025-01-27T16:42:48Z)
• An on-demand resource allocation algorithm for a quantum network hub and its performance analysis [0.9148747049384086]
  本研究では,ユーザ生成要求に応じて,ノード間の絡み合い発生を可能にするリソースを割り当てる装置であるEntanglement Generation Switch (EGS) と呼ばれる量子ネットワークハブのトラフィックモデルについて検討する。 オンデマンドリソース割り当てアルゴリズムでは、リソースが利用できない場合や、即時リソース割り当ての結果が得られない場合、要求がブロックされる。 我々の研究はESGシステムにおける交通特性を初めて分析し、性能駆動型リソース割り当てアルゴリズムを考案するための貴重な分析ツールを提供する。
  論文  参考訳（メタデータ） (2024-05-28T11:25:32Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• 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)
• Semantic-aware Modular Capsule Routing for Visual Question Answering [55.03883681191765]
  SuPER と呼ばれるセマンティック・アウェアな modUlar caPsulE フレームワークを提案する。 5つのベンチマークデータセットに対して提案した SUPER スキームの有効性と一般化能力を比較検討した。
  論文  参考訳（メタデータ） (2022-07-21T10:48:37Z)
• CLARA: A Constrained Reinforcement Learning Based Resource Allocation Framework for Network Slicing [19.990451009223573]
  ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。 モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。 本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
  論文  参考訳（メタデータ） (2021-11-16T11:54:09Z)
• An Information Theory-inspired Strategy for Automatic Network Pruning [88.51235160841377]
  深層畳み込みニューラルネットワークは、リソース制約のあるデバイスで圧縮されることがよく知られている。 既存のネットワークプルーニング手法の多くは、人的努力と禁忌な計算資源を必要とする。 本稿では,自動モデル圧縮のための情報理論に基づく戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-19T07:03:22Z)
• QoS-Aware Power Minimization of Distributed Many-Core Servers using Transfer Q-Learning [8.123268089072523]
  本稿では,水平スケーリング(ノード割り当て)と垂直スケーリング(ノード内のリソース割り当て)を用いたランタイム対応コントローラを提案する。 水平スケーリングは、ワークロードの要求と要求されたスケーラビリティに基づいて、一連のルールに従ってアクティブノードの数を決定する。 次に、動的電圧/周波数スケーリング(DVFS)を用いてワークロードプロファイルに基づいて電力/性能をチューニングする転送Q-ラーニングを用いて、垂直スケーリングと結合する。 これらの手法を組み合わせると、モデルなしQ-ラーニングと比較して探索時間や違反を減らすことができる。
  論文  参考訳（メタデータ） (2021-02-02T06:47:58Z)
• 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)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
  本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。 無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
  論文  参考訳（メタデータ） (2020-03-29T04:48:22Z)

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。