論文の概要: Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning
- arxiv url: http://arxiv.org/abs/2309.01730v1
- Date: Mon, 4 Sep 2023 17:30:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 17:40:38.085731
- Title: Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning
- Title（参考訳）: オンライン学習を用いたO-RANにおける仮想基地局の適応的資源配分
- Authors: Michail Kalntis, George Iosifidis, Fernando A. Kuipers
- Abstract要約: 基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
- 参考スコア（独自算出の注目度）: 60.17407932691429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Open Radio Access Network systems, with their virtualized base stations
(vBSs), offer operators the benefits of increased flexibility, reduced costs,
vendor diversity, and interoperability. Optimizing the allocation of resources
in a vBS is challenging since it requires knowledge of the environment, (i.e.,
"external'' information), such as traffic demands and channel quality, which is
difficult to acquire precisely over short intervals of a few seconds. To tackle
this problem, we propose an online learning algorithm that balances the
effective throughput and vBS energy consumption, even under unforeseeable and
"challenging'' environments; for instance, non-stationary or adversarial
traffic demands. We also develop a meta-learning scheme, which leverages the
power of other algorithmic approaches, tailored for more "easy'' environments,
and dynamically chooses the best performing one, thus enhancing the overall
system's versatility and effectiveness. We prove the proposed solutions achieve
sub-linear regret, providing zero average optimality gap even in challenging
environments. The performance of the algorithms is evaluated with real-world
data and various trace-driven evaluations, indicating savings of up to 64.5% in
the power consumption of a vBS compared with state-of-the-art benchmarks.
- Abstract（参考訳）: オープン無線アクセスネットワークシステムとその仮想化ベースステーション(vbss)は、オペレーターに柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性の利点を提供する。
Optimizing the allocation of resources in a vBS is challenging since it requires knowledge of the environment, (i.e., "external'' information), such as traffic demands and channel quality, which is difficult to acquire precisely over short intervals of a few seconds. To tackle this problem, we propose an online learning algorithm that balances the effective throughput and vBS energy consumption, even under unforeseeable and "challenging'' environments; for instance, non-stationary or adversarial traffic demands.
また,他のアルゴリズム手法のパワーを生かしたメタラーニングスキームを開発し,より「簡単な」環境に合わせて動的に最適な実行環境を選択し,システム全体の汎用性と有効性を高める。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
アルゴリズムの性能は実世界のデータと様々なトレース駆動評価を用いて評価され、vbsの消費電力の最大64.5%を最先端ベンチマークと比較した。
関連論文リスト
- Reinforcement Learning for Adaptive Resource Scheduling in Complex System Environments [8.315191578007857]
そこで本研究では,Q-ラーニングに基づく新しいコンピュータシステムの性能最適化と適応型ワークロード管理スケジューリングアルゴリズムを提案する。
対照的に、強化学習アルゴリズムであるQラーニングは、システムの状態変化から継続的に学習し、動的スケジューリングとリソース最適化を可能にする。
この研究は、将来の大規模システムにおけるAI駆動適応スケジューリングの統合の基礎を提供し、システムのパフォーマンスを高め、運用コストを削減し、持続可能なエネルギー消費をサポートするスケーラブルでインテリジェントなソリューションを提供する。
論文 参考訳（メタデータ） (2024-11-08T05:58:09Z) - A Green Multi-Attribute Client Selection for Over-The-Air Federated Learning: A Grey-Wolf-Optimizer Approach [5.277822313069301]
OTA(Over-the-air)FLは、デバイス間直接接続や集中型サーバを使わずにモデルアップデートを広めることによって、これらの課題に対処するために導入された。
OTA-FLは、エネルギー消費の増大とネットワーク遅延の制限を引き起こした。
本稿では,グレイオオカミ(GWO)を用いた多属性クライアント選択フレームワークを提案し,各ラウンドの参加者数を戦略的に制御する。
論文 参考訳（メタデータ） (2024-09-16T20:03:57Z) - REFT: Resource-Efficient Federated Training Framework for Heterogeneous
and Resource-Constrained Environments [2.117841684082203]
分散システムでは、フェデレートラーニング(FL)が重要な役割を果たす。
FLは、機械学習のプライバシ強化サブドメインとして出現する。
我々は「不均一・資源制約環境のための資源効率の良いフェデレーション・トレーニング・フレームワーク」を提案する。
論文 参考訳（メタデータ） (2023-08-25T20:33:30Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Energy-aware Scheduling of Virtualized Base Stations in O-RAN with
Online Learning [18.757368441841127]
本稿では,vBSの性能とエネルギー消費のバランスをとるためのオンライン学習アルゴリズムを提案する。
以上の結果から,vBSの消費電力の74.3%の削減効果が得られた。
論文 参考訳（メタデータ） (2022-08-21T20:11:26Z) - Adapting to Dynamic LEO-B5G Systems: Meta-Critic Learning Based
Efficient Resource Scheduling [38.733584547351796]
オーバーロードされたLEO地上システムにおける2つの実用的課題に対処する。
最初の課題は、膨大な数の接続されたユーザに対して、リソースを効率的にスケジュールする方法です。
第2の課題は、動的無線環境への適応において、アルゴリズムによるソリューションをよりレジリエントにする方法だ。
論文 参考訳（メタデータ） (2021-10-13T15:21:38Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - Meta-Reinforcement Learning for Trajectory Design in Wireless UAV
Networks [151.65541208130995]
ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。
この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。
新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-25T20:43:59Z)
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。