論文の概要: Double Deep Q-Learning-based Path Selection and Service Placement for Latency-Sensitive Beyond 5G Applications

• arxiv url: http://arxiv.org/abs/2309.10180v1
• Date: Mon, 18 Sep 2023 22:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 17:17:08.652478
• Title: Double Deep Q-Learning-based Path Selection and Service Placement for Latency-Sensitive Beyond 5G Applications
• Title（参考訳）: 深層Q-Learningに基づく5Gアプリケーションを越えた遅延感度のための経路選択とサービス配置
• Authors: Masoud Shokrnezhad, Tarik Taleb, and Patrizio Dazzi
• Abstract要約: 本稿では,CCRAと呼ばれる通信資源割当と計算機資源割当の連立問題を,総コストを最小化するために検討する。 我々は,この問題を非線形プログラミングモデルとして定式化し,B&B-CCRAとWF-CCRAという2つのアプローチを提案する。 数値シミュレーションにより,B&B-CCRAが最適解であるのに対し,WF-CCRAは比較的短い時間でほぼ最適解を提供することがわかった。
• 参考スコア（独自算出の注目度）: 11.864695986880347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, as the need for capacity continues to grow, entirely novel services are emerging. A solid cloud-network integrated infrastructure is necessary to supply these services in a real-time responsive, and scalable way. Due to their diverse characteristics and limited capacity, communication and computing resources must be collaboratively managed to unleash their full potential. Although several innovative methods have been proposed to orchestrate the resources, most ignored network resources or relaxed the network as a simple graph, focusing only on cloud resources. This paper fills the gap by studying the joint problem of communication and computing resource allocation, dubbed CCRA, including function placement and assignment, traffic prioritization, and path selection considering capacity constraints and quality requirements, to minimize total cost. We formulate the problem as a non-linear programming model and propose two approaches, dubbed B\&B-CCRA and WF-CCRA, based on the Branch \& Bound and Water-Filling algorithms to solve it when the system is fully known. Then, for partially known systems, a Double Deep Q-Learning (DDQL) architecture is designed. Numerical simulations show that B\&B-CCRA optimally solves the problem, whereas WF-CCRA delivers near-optimal solutions in a substantially shorter time. Furthermore, it is demonstrated that DDQL-CCRA obtains near-optimal solutions in the absence of request-specific information.
• Abstract（参考訳）: 現在、キャパシティの必要性が高まり続けているため、全く新しいサービスが生まれつつある。 リアルタイムレスポンシブでスケーラブルな方法でこれらのサービスを提供するには、堅固なクラウドネットワーク統合インフラストラクチャが必要です。 多様な特性と限られた能力のため、コミュニケーションとコンピューティングのリソースは、その潜在能力を解き放つために協力的に管理されなければならない。 リソースのオーケストレーションにはいくつかの革新的な方法が提案されているが、最も無視されたネットワークリソースや単純なグラフとしてネットワークを緩和し、クラウドリソースのみに焦点を当てている。 本稿では,キャパシティ制約と品質要件を考慮したccra(機能配置と割り当て,トラフィック優先化,経路選択など)と呼ばれるコミュニケーションと計算資源割当の共通問題を検討し,総コストを最小化することでギャップを埋める。 我々は,非線形プログラミングモデルとして問題を定式化し,システムを完全に把握した時に解くための分岐法と水充填法に基づいて,b\&b-ccra と wf-ccra と呼ばれる2つの手法を提案する。 次に、部分的に知られているシステムに対して、Double Deep Q-Learning (DDQL)アーキテクチャが設計される。 数値シミュレーションにより,B\&B-CCRAが最適解であるのに対し,WF-CCRAは比較的短時間で準最適解を提供することがわかった。 さらに,DDQL-CCRAは要求固有情報がない場合に最適に近い解が得られることを示した。

関連論文リスト

• Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
  Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。 これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。 我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
  論文  参考訳（メタデータ） (2024-11-03T07:01:13Z)
• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• ORIENT: A Priority-Aware Energy-Efficient Approach for Latency-Sensitive Applications in 6G [15.753216159980434]
  コンピューティングとネットワークにおけるエネルギー消費の増加に関する懸念が高まっている。 接続デバイスとリソース需要アプリケーションの増加は、エネルギー資源に対する前例のない課題を呈している。 PIRAと呼ばれるサービスインスタンス配置・割り当て・経路選択・要求優先順位付けの連立問題について検討する。
  論文  参考訳（メタデータ） (2024-02-10T12:05:52Z)
• 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)
• Joint Service Caching, Communication and Computing Resource Allocation in Collaborative MEC Systems: A DRL-based Two-timescale Approach [15.16859210403316]
  端末の厳格なQuality of Service(QoS)要件を満たすため、Multi Access Edge Computing(MEC)システムに課題が課されている。 エッジサーバ間のリソース共有を容易にする協調的なフレームワークを提案する。 提案アルゴリズムは,平均スイッチングおよびキャッシュコストにおいて,ベースラインアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-19T00:27:49Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Network Aware Compute and Memory Allocation in Optically Composable Data Centres with Deep Reinforcement Learning and Graph Neural Networks [0.0]
  リソースを分離したデータセンタアーキテクチャは、データセンタ内でリソースをリモートにプールする手段を約束する。 データセンターネットワーク(DCN)における光スイッチング回路のバックボーンを用いて,これを実現する方法を示す。 本稿では, エンフディープ強化学習を用いて, 効率的なエンフネットワーク認識と, エンフトポロジ的にスケール可能なアロケーションポリシをエンドツーエンドに学習する方法を示す。
  論文  参考訳（メタデータ） (2022-10-26T09:46:50Z)
• 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)
• 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)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• A Review on Computational Intelligence Techniques in Cloud and Edge Computing [14.610305602165415]
  クラウドコンピューティング(CC)は、リソースを蓄積する集中型コンピューティングパラダイムであり、インターネットを通じてこれらのリソースをユーザに提供する。 中央分散コンピューティング(EC)は、リソースを分散的に提供し、ユーザの要求に迅速に対応できる。 CCとECの両方がリソースに敏感であるため、ジョブスケジューリングの実施方法、リソース割り当て、タスクオフロードなど、いくつかの大きな問題が発生する。
  論文  参考訳（メタデータ） (2020-07-27T09:29:21Z)

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。