論文の概要: Modular Simulation Environment Towards OTN AI-based Solutions
- arxiv url: http://arxiv.org/abs/2306.11135v1
- Date: Mon, 19 Jun 2023 19:38:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 16:29:42.473964
- Title: Modular Simulation Environment Towards OTN AI-based Solutions
- Title（参考訳）: OTN AIベースのソリューションに向けたモジュールシミュレーション環境
- Authors: Sam Aleyadeh, Abbas Javadtalab, Abdallah Shami
- Abstract要約: 次世代ネットワークを開発する際のハードルは、大規模なデータセットが利用可能であることだ。
この要求により、研究者は必要な体積を生成するために実行可能なシミュレーション環境を探すことができた。
ユーザの利用可能なリソースに適応するためのモジュラーソリューションを提案する。
- 参考スコア（独自算出の注目度）: 4.109840601429085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The current trend for highly dynamic and virtualized networking
infrastructure made automated networking a critical requirement. Multiple
solutions have been proposed to address this, including the most sought-after
machine learning ML-based solutions. However, the main hurdle when developing
Next Generation Network is the availability of large datasets, especially in 5G
and beyond and Optical Transport Networking (OTN) traffic. This need led
researchers to look for viable simulation environments to generate the
necessary volume with highly configurable real-life scenarios, which can be
costly in setup and require subscription-based products and even the purchase
of dedicated hardware, depending on the supplier. We aim to address this issue
by generating high-volume and fidelity datasets by proposing a modular solution
to adapt to the user's available resources. These datasets can be used to
develop better-aforementioned ML solutions resulting in higher accuracy and
adaptation to real-life networking traffic.
- Abstract（参考訳）: 高度にダイナミックで仮想化されたネットワークインフラストラクチャの現在のトレンドは、自動化ネットワークを重要な要件にした。
機械学習MLベースのソリューションを含む、この問題に対処する複数のソリューションが提案されている。
しかし、次世代ネットワークを開発する際の大きなハードルは、特に5G以降の大規模データセットと光輸送ネットワーク(OTN)トラフィックの可用性である。
この必要性により、研究者は、サプライヤに応じてサブスクリプションベースの製品や専用ハードウェアを購入する必要のある、非常に構成可能な実生活シナリオで必要なボリュームを生成するために、実行可能なシミュレーション環境を探さなければならなかった。
我々は,ユーザの利用可能なリソースに適応するモジュール型ソリューションを提案することで,高ボリュームかつ忠実なデータセットを生成することでこの問題に対処することを目指している。
これらのデータセットは、高い精度と実際のネットワークトラフィックへの適応をもたらす、改良されたmlソリューションの開発に使用できる。
関連論文リスト
- AutoRNet: Automatically Optimizing Heuristics for Robust Network Design via Large Language Models [3.833708891059351]
AutoRNetは、大規模な言語モデルと進化的アルゴリズムを統合して堅牢なネットワークを生成するフレームワークである。
次数分布を維持しながら収束と多様性のバランスをとる適応適合度関数を導入する。
AutoRNetはスパースで高密度なスケールフリーネットワークで評価される。
論文 参考訳（メタデータ） (2024-10-23T08:18:38Z) - 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) - A General-Purpose Device for Interaction with LLMs [3.052172365469752]
本稿では,大規模言語モデル(LLM)と高度なハードウェアの統合について検討する。
我々は,LLMとの対話性の向上を目的とした汎用デバイスの開発に焦点をあてる。
論文 参考訳（メタデータ） (2024-08-02T23:43:29Z) - INTELLECT: Adapting Cyber Threat Detection to Heterogeneous Computing Environments [0.055923945039144884]
本稿では,IDSのための事前学習MLモデルと構成の動的適応のための結合パイプラインに,特徴選択,モデルプルーニング,微調整技術を統合する新しいソリューションであるINTELLECTを紹介する。
我々は,知識蒸留技術を微調整中に組み込むことの利点を実証し,MLモデルが歴史的知識を維持しつつ,局所的なネットワークパターンに一貫して適応できることを示す。
論文 参考訳（メタデータ） (2024-07-17T22:34:29Z) - Personalized Resource Allocation in Wireless Networks: An AI-Enabled and
Big Data-Driven Multi-Objective Optimization [22.77447144331876]
AI(Artificial Intelligence)は、無線ネットワークの設計と最適化に使用される。
AIの将来の主な応用の1つは、多くのユースケースに対してユーザーレベルのパーソナライズを可能にすることである。
本稿で提唱されるパーソナライズ技術は,ネットワークリソースの不足をマイクロマネジメントするために設計された,インテリジェントなビッグデータ駆動層によって支えられている。
論文 参考訳（メタデータ） (2023-07-08T00:26:36Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳（メタデータ） (2022-05-08T06:21:33Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Continual Adaptation for Deep Stereo [52.181067640300014]
本稿では,難易度と変化の激しい環境に対処するために,深層ステレオネットワークの継続的適応パラダイムを提案する。
我々のパラダイムでは、オンラインモデルに継続的に適応するために必要な学習信号は、右から左への画像ワープや従来のステレオアルゴリズムによって自己監督から得られる。
我々のネットワークアーキテクチャと適応アルゴリズムは、初めてのリアルタイム自己適応型ディープステレオシステムを実現する。
論文 参考訳（メタデータ） (2020-07-10T08:15:58Z) - Multi-Agent Reinforcement Learning for Adaptive User Association in
Dynamic mmWave Networks [17.295158818748188]
マルチエージェント強化学習に基づくユーザアソシエーションのためのスケーラブルで柔軟なアルゴリズムを提案する。
ユーザーは、ローカルな観察のみに基づいて、ネットワークの総和率を最適化するために、自律的に行動を調整することを学習する独立したエージェントとして振る舞う。
シミュレーションの結果,提案アルゴリズムは無線環境の変化に適応できることを示す。
論文 参考訳（メタデータ） (2020-06-16T10:51:27Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。