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
- QoS-Aware Service Prediction and Orchestration in Cloud-Network
Integrated Beyond 5G [11.864695986880347]
本稿では,レイテンシを増大させながら全体のコストを最小化することを目的として,最適化問題を定式化する非線形プログラミングモデルを提案する。
RNNを用いたDDQLベースの手法を導入し,サービス配置のための水充填方式のアルゴリズムを用いてユーザ行動を予測する。
論文 参考訳(メタデータ) (2023-09-18T22:24:42Z) - 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) - AI in 6G: Energy-Efficient Distributed Machine Learning for Multilayer
Heterogeneous Networks [7.318997639507269]
本稿では,ネットワーク層とエンティティにまたがるさまざまな機械学習手法に関連するタスクを分散する,階層ベースの新しいHetNetアーキテクチャを提案する。
このようなHetNetは、複数のアクセス方式と、エネルギー効率を高めるためのデバイス間通信(D2D)を備えている。
論文 参考訳(メタデータ) (2022-06-04T22:03:19Z) - 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) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳(メタデータ) (2022-03-26T00:41:57Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳(メタデータ) (2022-02-28T05:27:22Z) - 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。