論文の概要: Attention-based Open RAN Slice Management using Deep Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2306.09490v1
- Date: Thu, 15 Jun 2023 20:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 15:47:56.282813
- Title: Attention-based Open RAN Slice Management using Deep Reinforcement
Learning
- Title（参考訳）: 深層強化学習を用いた注意型オープンRANスライス管理
- Authors: Fatemeh Lotfi, Fatemeh Afghah, Jonathan Ashdown
- Abstract要約: 本稿では,O-RAN分散化モジュールと分散エージェント協調を利用した,革新的アテンションベースディープRL(ADRL)技術を提案する。
シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
- 参考スコア（独自算出の注目度）: 6.177038245239758
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As emerging networks such as Open Radio Access Networks (O-RAN) and 5G
continue to grow, the demand for various services with different requirements
is increasing. Network slicing has emerged as a potential solution to address
the different service requirements. However, managing network slices while
maintaining quality of services (QoS) in dynamic environments is a challenging
task. Utilizing machine learning (ML) approaches for optimal control of dynamic
networks can enhance network performance by preventing Service Level Agreement
(SLA) violations. This is critical for dependable decision-making and
satisfying the needs of emerging networks. Although RL-based control methods
are effective for real-time monitoring and controlling network QoS,
generalization is necessary to improve decision-making reliability. This paper
introduces an innovative attention-based deep RL (ADRL) technique that
leverages the O-RAN disaggregated modules and distributed agent cooperation to
achieve better performance through effective information extraction and
implementing generalization. The proposed method introduces a value-attention
network between distributed agents to enable reliable and optimal
decision-making. Simulation results demonstrate significant improvements in
network performance compared to other DRL baseline methods.
- Abstract（参考訳）: Open Radio Access Networks (O-RAN) や 5G などの新興ネットワークが成長を続けるにつれ,様々な要件のサービスへの需要が高まっている。
ネットワークスライシングは、異なるサービス要件に対処する潜在的なソリューションとして現れました。
しかし、動的環境におけるサービス品質(QoS)を維持しながらネットワークスライスを管理することは難しい課題である。
動的ネットワークの最適制御に機械学習(ML)アプローチを活用することで、SLA(Service Level Agreement)違反を防止することで、ネットワークパフォーマンスを向上させることができる。
これは、信頼性の高い意思決定と新興ネットワークのニーズを満たすために重要である。
RLに基づく制御手法はリアルタイム監視やネットワークQoSの制御に有効であるが,意思決定信頼性の向上には一般化が必要である。
本稿では,O-RAN分散化モジュールと分散エージェント協調を利用して,効果的な情報抽出と一般化による性能向上を実現する,革新的な注目型深部RL(ADRL)技術を提案する。
提案手法は,信頼性と最適な意思決定を可能にする分散エージェント間のバリューアテンションネットワークを提案する。
シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
関連論文リスト
- DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。
大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
論文 参考訳（メタデータ） (2024-10-18T14:04:38Z) - Meta Reinforcement Learning Approach for Adaptive Resource Optimization in O-RAN [6.326120268549892]
Open Radio Access Network (O-RAN) は、前例のない効率性と適応性を持つ現代のネットワークの変動要求に対処する。
本稿では,モデルに依存しないメタラーニング(MAML)にインスパイアされたメタ深層強化学習(Meta-DRL)戦略を提案する。
論文 参考訳（メタデータ） (2024-09-30T23:04:30Z) - Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳（メタデータ） (2024-06-19T07:17:04Z) - Open RAN LSTM Traffic Prediction and Slice Management using Deep
Reinforcement Learning [7.473473066047965]
本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。
シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。
これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
論文 参考訳（メタデータ） (2024-01-12T22:43:07Z) - 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) - Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in
O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。
O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。
本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-30T17:00:53Z) - Multi-Objective Provisioning of Network Slices using Deep Reinforcement
Learning [5.074839768784803]
リアルタイムネットワークスライスプロビジョニング(NSP)問題は、オンライン多目的プログラミング最適化(MOIPO)問題としてモデル化されている。
交通需要予測にPPO(Proximal Policy Optimization)法を適用することにより,MOIPO問題の解を近似する。
提案手法の有効性を,SLA違反率とネットワーク運用コストの低いMOIPO解法と比較した。
論文 参考訳（メタデータ） (2022-07-27T23:04:22Z) - State-Augmented Learnable Algorithms for Resource Management in Wireless
Networks [124.89036526192268]
本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。
提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
論文 参考訳（メタデータ） (2022-07-05T18:02:54Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - 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) - 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)
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。