論文の概要: Deep Reinforcement Learning Based Cross-Layer Design in Terahertz Mesh
Backhaul Networks
- arxiv url: http://arxiv.org/abs/2310.05034v1
- Date: Sun, 8 Oct 2023 06:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 13:15:51.805490
- Title: Deep Reinforcement Learning Based Cross-Layer Design in Terahertz Mesh
Backhaul Networks
- Title（参考訳）: テラヘルツメッシュバックホールネットワークにおける層間設計に基づく深層強化学習
- Authors: Zhifeng Hu, Chong Han, Xudong Wang
- Abstract要約: Terahertz(THz)メッシュネットワークは、次世代無線バックホールシステムにとって魅力的なものだ。
効率的な層間ルーティングと長期リソース割り当ては、THzメッシュネットワークでは未解決の問題である。
本稿では,THzメッシュネットワークにおける深部強化学習(DRL)に基づく層間設計を提案する。
- 参考スコア（独自算出の注目度）: 12.963836913881801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supporting ultra-high data rates and flexible reconfigurability, Terahertz
(THz) mesh networks are attractive for next-generation wireless backhaul
systems that empower the integrated access and backhaul (IAB). In THz mesh
backhaul networks, the efficient cross-layer routing and long-term resource
allocation is yet an open problem due to dynamic traffic demands as well as
possible link failures caused by the high directivity and high
non-line-of-sight (NLoS) path loss of THz spectrum. In addition, unpredictable
data traffic and the mixed integer programming property with the NP-hard nature
further challenge the effective routing and long-term resource allocation
design. In this paper, a deep reinforcement learning (DRL) based cross-layer
design in THz mesh backhaul networks (DEFLECT) is proposed, by considering
dynamic traffic demands and possible sudden link failures. In DEFLECT, a
heuristic routing metric is first devised to facilitate resource efficiency
(RE) enhancement regarding energy and sub-array usages. Furthermore, a DRL
based resource allocation algorithm is developed to realize long-term RE
maximization and fast recovery from broken links. Specifically in the DRL
method, the exploited multi-task structure cooperatively benefits joint power
and sub-array allocation. Additionally, the leveraged hierarchical architecture
realizes tailored resource allocation for each base station and learned
knowledge transfer for fast recovery. Simulation results show that DEFLECT
routing consumes less resource, compared to the minimal hop-count metric.
Moreover, unlike conventional DRL methods causing packet loss and second-level
latency, DEFLECT DRL realizes the long-term RE maximization with no packet loss
and millisecond-level latency, and recovers resource-efficient backhaul from
broken links within 1s.
- Abstract（参考訳）: 超高速データレートとフレキシブルな再構成性をサポートするTerahertz(THz)メッシュネットワークは、IAB(Integrated Access and Backhaul)を強化する次世代無線バックホールシステムにとって魅力的なものだ。
THzメッシュバックホールネットワークでは、動的トラフィック要求と高い指向性と高非線形(NLoS)パス損失に起因するリンク障害により、効率的なクロスレイヤールーティングと長期リソース割り当ては依然として未解決の問題である。
さらに、予測不能なデータトラフィックとNP-hard性質の混合整数プログラミング特性は、効果的なルーティングと長期リソース割り当て設計にさらに挑戦する。
本稿では,動的トラフィック要求と突発的リンク障害を考慮したthzメッシュバックホールネットワーク(deflect)におけるディープ強化学習(drl)に基づくクロスレイヤー設計を提案する。
DEFLECTでは、エネルギーとサブアレイの使用に関するリソース効率(RE)の向上を促進するために、ヒューリスティックなルーティングメトリックが最初に考案されている。
さらに,drlを用いた資源割当アルゴリズムを開発し,破損リンクからの長期再帰と高速リカバリを実現する。
特にDRL法では, マルチタスク構造が協調力とサブアレイアロケーションに有効である。
さらに,レバレッジド階層アーキテクチャは,各基地局のリソース割り当てと学習知識の転送を実現し,高速なリカバリを実現する。
シミュレーションの結果、オフセットルーティングは最小のホップカウントメトリックに比べてリソース消費が少ないことがわかった。
さらに,パケットロスや第2レベルの遅延を引き起こす従来のDRL法とは異なり, DEFLECT DRLはパケットロスやミリ秒レベルの遅延を伴わない長期REの最大化を実現し,1秒以内のリンクから資源効率の高いバックホールを回復する。
関連論文リスト
- 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) - An Intelligent SDWN Routing Algorithm Based on Network Situational
Awareness and Deep Reinforcement Learning [4.085916808788356]
本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。
実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-12T14:18:09Z) - Robust Path Selection in Software-defined WANs using Deep Reinforcement
Learning [18.586260468459386]
本稿では、経路計算と経路更新のオーバーヘッドを考慮した、ネットワーク内の経路選択を行うデータ駆動アルゴリズムを提案する。
提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できる。
論文 参考訳（メタデータ） (2022-12-21T16:08:47Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T11:06:29Z) - Proactive Resilient Transmission and Scheduling Mechanisms for mmWave
Networks [29.17280879786624]
本稿では、任意のミリ波(mmWave)ネットワークにおいて、複数の経路にまたがるトラフィックを適切に分散するレジリエント伝送機構を開発することを目的とする。
リンク障害に対するレジリエンスを実現するため,ネットワークを介した情報の流れに適応する最先端のソフトアクタ・クリティカルDRLについて検討した。
論文 参考訳（メタデータ） (2022-11-17T02:52:27Z) - Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。
DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。
DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
論文 参考訳（メタデータ） (2022-11-03T09:08:30Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Deep Reinforcement Learning for Resource Constrained Multiclass
Scheduling in Wireless Networks [0.0]
セットアップでは、ランダムに到着するサービス要求に対応するために、利用可能な限られた帯域幅のリソースを割り当てます。
本稿では,Deep Setsと組み合わせた分布型Deep Deterministic Policy Gradient (DDPG)アルゴリズムを提案する。
提案アルゴリズムは, 合成データと実データの両方で検証し, 従来手法に対する一貫した利得を示す。
論文 参考訳（メタデータ） (2020-11-27T09:49:38Z) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳（メタデータ） (2020-06-22T08:20:17Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - Stacked Auto Encoder Based Deep Reinforcement Learning for Online
Resource Scheduling in Large-Scale MEC Networks [44.40722828581203]
オンラインリソーススケジューリングフレームワークは、IoT(Internet of Things)の全ユーザに対して、重み付けされたタスクレイテンシの総和を最小化するために提案されている。
以下を含む深層強化学習(DRL)に基づく解法を提案する。
DRLがポリシーネットワークをトレーニングし、最適なオフロードポリシーを見つけるのを支援するために、保存および優先されたエクスペリエンスリプレイ(2p-ER)を導入する。
論文 参考訳（メタデータ） (2020-01-24T23:01:15Z)
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。