論文の概要: QoS-Aware Service Prediction and Orchestration in Cloud-Network
Integrated Beyond 5G
- arxiv url: http://arxiv.org/abs/2309.10185v1
- Date: Mon, 18 Sep 2023 22:24:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 17:17:39.712581
- Title: QoS-Aware Service Prediction and Orchestration in Cloud-Network
Integrated Beyond 5G
- Title（参考訳）: 5Gを越えたクラウドネットワークにおけるQoS対応サービス予測とオーケストレーション
- Authors: Mohammad Farhoudi, Masoud Shokrnezhad, and Tarik Taleb
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.864695986880347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Novel applications such as the Metaverse have highlighted the potential of
beyond 5G networks, which necessitate ultra-low latency communications and
massive broadband connections. Moreover, the burgeoning demand for such
services with ever-fluctuating users has engendered a need for heightened
service continuity consideration in B5G. To enable these services, the
edge-cloud paradigm is a potential solution to harness cloud capacity and
effectively manage users in real time as they move across the network. However,
edge-cloud networks confront a multitude of limitations, including networking
and computing resources that must be collectively managed to unlock their full
potential. This paper addresses the joint problem of service placement and
resource allocation in a network-cloud integrated environment while considering
capacity constraints, dynamic users, and end-to-end delays. We present a
non-linear programming model that formulates the optimization problem with the
aiming objective of minimizing overall cost while enhancing latency. Next, to
address the problem, we introduce a DDQL-based technique using RNNs to predict
user behavior, empowered by a water-filling-based algorithm for service
placement. The proposed framework adeptly accommodates the dynamic nature of
users, the placement of services that mandate ultra-low latency in B5G, and
service continuity when users migrate from one location to another. Simulation
results show that our solution provides timely responses that optimize the
network's potential, offering a scalable and efficient placement.
- Abstract（参考訳）: metaverseのような新しいアプリケーションは、超低レイテンシ通信と巨大なブロードバンド接続を必要とする5gネットワークを超える可能性を強調している。
さらに,B5G におけるサービス継続性考慮の強化の必要性が増している。
これらのサービスを有効にするために、エッジクラウドパラダイムは、クラウドキャパシティを活用し、ネットワークを横切ると、効率的にユーザを管理するための潜在的なソリューションである。
しかし、エッジクラウドネットワークは、ネットワークやコンピューティングリソースを含む多くの制限に直面している。
本稿では,キャパシティ制約,動的ユーザ,エンドツーエンド遅延を考慮したネットワーククラウド統合環境におけるサービス配置とリソース割り当ての共通問題について述べる。
本稿では,遅延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した非線形プログラミングモデルを提案する。
次に,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型アルゴリズムを用いてユーザ動作を予測する。
提案するフレームワークは,ユーザの動的特性,B5Gの超低レイテンシを規定するサービスの配置,ユーザがある場所から別の場所へ移行する際のサービス継続性に十分対応している。
シミュレーション結果は,ネットワークのポテンシャルを最適化するタイムリーな応答を提供し,スケーラブルで効率的な配置を提供することを示す。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Multi-Agent Deep Reinforcement Learning for Resilience Optimization in 5G RAN [5.3807986199066375]
本稿では,多エージェント深層強化学習に基づく高密度マルチセルネットワークのレジリエンスをグローバルに最適化し,この問題に対処することを目的とする。
具体的には,セルアンテナを動的に傾けて送信電力を再構成することで,障害を軽減し,カバー範囲とサービス可用性を向上することができる。
論文 参考訳（メタデータ） (2024-07-25T14:19:59Z) - Edge computing service deployment and task offloading based on
multi-task high-dimensional multi-objective optimization [5.64850919046892]
本研究では,マルチユーザ環境におけるサービス展開とタスクオフロードの課題について検討する。
レイテンシ、エネルギー消費、コストを考慮せずに安定したサービス提供を確保するために、ネットワークの信頼性も組み込まれている。
エッジサーバの適切な使用を促進するため、第4のタスクオフロード目的としてロードバランシングを導入している。
論文 参考訳（メタデータ） (2023-12-07T07:30:47Z) - Deep Reinforcement Learning Based Resource Allocation for Cloud Native
Wireless Network [20.377823731801456]
クラウドネイティブ技術は、5G以上の通信ネットワークと6G通信ネットワークに革命をもたらし、前例のないレベルの運用自動化、柔軟性、適応性を提供します。
クラウドネイティブなサービスとアプリケーションの広大な範囲は、動的クラウドコンピューティング環境のリソース割り当てにおいて、新たな課題をもたらしている。
深層強化学習手法を導入し,ネットワーク状態をモニタリングし,動的にアロケーションポリシーを訓練できる2つのモデルフリーアルゴリズムを導入する。
本研究は,ネットワーク効率の大幅な向上を実証し,クラウドネイティブ無線ネットワークの潜在能力を最大限に活用するための提案手法の可能性を明らかにした。
論文 参考訳（メタデータ） (2023-05-10T15:32:22Z) - Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural
Networks on Edge NPUs [74.83613252825754]
スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。
これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。
そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
論文 参考訳（メタデータ） (2022-09-27T15:04:01Z) - 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) - On-Demand Resource Management for 6G Wireless Networks Using
Knowledge-Assisted Dynamic Neural Networks [13.318287511072354]
本稿では,オーケストレーション決定プロセスにおける計算遅延に着目し,オンデマンド無線リソースオーケストレーション問題について検討する。
動的ニューラルネットワーク(DyNN)に基づく手法を提案し,サービス要求に応じてモデルの複雑性を調整する。
知識を活用することで、DyNNの幅をタイムリーに選択でき、さらにオーケストレーションの性能を向上させることができる。
論文 参考訳（メタデータ） (2022-08-02T23:40:03Z) - A Joint Energy and Latency Framework for Transfer Learning over 5G
Industrial Edge Networks [53.26338041079138]
5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。
特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。
TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
論文 参考訳（メタデータ） (2021-04-19T15:13:16Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z)
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。