Fugu-MT 論文翻訳(概要): AI-based Self-healing Solutions Applied to Cellular Networks: An Overview

論文の概要: AI-based Self-healing Solutions Applied to Cellular Networks: An Overview

arxiv url: http://arxiv.org/abs/2311.02390v1
Date: Sat, 4 Nov 2023 12:18:47 GMT
ステータス: 処理完了
システム内更新日: 2023-11-07 17:56:52.438239
Title: AI-based Self-healing Solutions Applied to Cellular Networks: An Overview
Title（参考訳）: セルラーネットワークに適用するAIベースの自己修復ソリューションの概要
Authors: Jaleh Farmani, Amirreza Khalil Zadeh
Abstract要約: 本稿では,セルネットワークにおけるセル障害に対する自己修復を行う機械学習(ML)手法の概要について述べる。自己修復はネットワーク管理に対する有望なアプローチであり、自律的な方法で細胞障害の検出と補償を目的としている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this article, we provide an overview of machine learning (ML) methods, both classical and deep variants, that are used to implement self-healing for cell outages in cellular networks. Self-healing is a promising approach to network management, which aims to detect and compensate for cell outages in an autonomous way. This technology aims to decrease the expenses associated with the installation and maintenance of existing 4G and 5G, i.e. emerging 6G networks by simplifying operational tasks through its ability to heal itself. We provide an overview of the basic concepts and taxonomy for SON, self-healing, and ML techniques, in network management. Moreover, we review the state-of-the-art in literature for cell outages, with a particular emphasis on ML-based approaches.
Abstract（参考訳）: 本稿では,セルネットワークにおけるセル障害に対する自己修復を実装するために使用される,古典型と深層型の両方の機械学習(ml)手法の概要について述べる。自己修復はネットワーク管理に対する有望なアプローチであり、自律的な方法で細胞障害の検出と補償を目的としている。この技術は,既存の4gネットワークと5gネットワークの設置とメンテナンスに伴うコストを削減することを目的としている。本稿では,ネットワーク管理におけるSON,自己修復,ML技術の基本概念と分類について概説する。さらに, 細胞障害の文献における現状を概観し, 特にMLに基づくアプローチに注目した。

関連論文リスト

Adapting MLOps for Diverse In-Network Intelligence in 6G Era: Challenges and Solutions [4.183643697928412]
機械学習操作(MLOps)は、これらの課題に取り組むための体系的なアプローチを提供する。我々は、強化学習操作(RLOPS)、連合学習操作(FedOps)、生成AI操作(GenOps)の3つの運用パイプラインを定式化する。これらのパイプラインは、さまざまな学習/推論機能をネットワークにシームレスに統合する基盤となる。
論文参考訳（メタデータ） (2024-10-24T14:47:28Z)
Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
論文参考訳（メタデータ） (2024-06-05T15:05:24Z)
When Large Language Model Agents Meet 6G Networks: Perception, Grounding, and Alignment [100.58938424441027]
モバイル端末とエッジサーバの協調を利用した6GネットワークにおけるAIエージェントの分割学習システムを提案する。提案システムでは,LLMのための新しいモデルキャッシングアルゴリズムを導入し,コンテキストにおけるモデル利用を改善する。
論文参考訳（メタデータ） (2024-01-15T15:20:59Z)
Zero-Touch Networks: Towards Next-Generation Network Automation [21.003217781832923]
Zero-touch Network and Service Management (ZSM)フレームワークは、第5世代(5G)とBeyond(5G+)ネットワークの管理において、新たなパラダイムである。 ZSMフレームワークは、機械学習(ML)のような高度な技術を活用して、インテリジェントな意思決定を可能にし、人間の介入を減らす。本稿では,ZSMフレームワーク内のゼロタッチネットワーク(ZTN)について,ネットワーク最適化,トラフィック監視,エネルギー効率,次世代ネットワークのセキュリティ面について調査する。
論文参考訳（メタデータ） (2023-12-07T09:21:41Z)
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)
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)
Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文参考訳（メタデータ） (2022-05-27T13:09:29Z)
Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON) [0.0]
機械学習(ML)は、運用、管理、保守(OAM)活動を強化する上で重要な要素である自己組織化ネットワーク(SON)に含まれる。この研究の主な目的は、5Gスタンドアロンコアネットワークにおける機械学習(ML)の概要である。
論文参考訳（メタデータ） (2020-11-24T18:57:40Z)
Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文参考訳（メタデータ） (2020-10-01T02:16:40Z)
From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文参考訳（メタデータ） (2020-06-07T05:11:18Z)
Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks [3.8743565255416983]
5GネットワークはETSIが定義したZero Touch Network and Service Management(ZSM)の概念に従って完全に自律的であると想定されている。目的固有の機械学習(ML)モデルは、サービスレベルアグリーメント(SLA)のスライスに完全に準拠する方法で、物理的および仮想ネットワークリソースの管理と制御に使用することができる。
論文参考訳（メタデータ） (2020-05-11T01:51:47Z)

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。