論文の概要: iOn-Profiler: intelligent Online multi-objective VNF Profiling with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2312.09355v1
• Date: Thu, 14 Dec 2023 21:36:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 17:46:21.997856
• Title: iOn-Profiler: intelligent Online multi-objective VNF Profiling with Reinforcement Learning
• Title（参考訳）: iOn-Profiler:強化学習による知的オンライン多目的VNFプロファイリング
• Authors: Xenofon Vasilakos and Shadi Moazzeni and Anderson Bravalheri and Pratchaya Jaisudthi and Reza Nejabati and Dimitra Simeonidou
• Abstract要約: 適応強化学習(RL)を用いたマルチリソース型アロケーションと性能目標を最適化した新しいVNFプロファイラを提案する。 提案手法は,マルチリソース型消費を最小化し,VNF出力率を既存の単一目的のソリューションと比較して最適化しながら,キーパフォーマンス指標(KPI)の目標を満たすことができる。
• 参考スコア（独自算出の注目度）: 0.7989135005592127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leveraging the potential of Virtualised Network Functions (VNFs) requires a clear understanding of the link between resource consumption and performance. The current state of the art tries to do that by utilising Machine Learning (ML) and specifically Supervised Learning (SL) models for given network environments and VNF types assuming single-objective optimisation targets. Taking a different approach poses a novel VNF profiler optimising multi-resource type allocation and performance objectives using adapted Reinforcement Learning (RL). Our approach can meet Key Performance Indicator (KPI) targets while minimising multi-resource type consumption and optimising the VNF output rate compared to existing single-objective solutions. Our experimental evaluation with three real-world VNF types over a total of 39 study scenarios (13 per VNF), for three resource types (virtual CPU, memory, and network link capacity), verifies the accuracy of resource allocation predictions and corresponding successful profiling decisions via a benchmark comparison between our RL model and SL models. We also conduct a complementary exhaustive search-space study revealing that different resources impact performance in varying ways per VNF type, implying the necessity of multi-objective optimisation, individualised examination per VNF type, and adaptable online profile learning, such as with the autonomous online learning approach of iOn-Profiler.
• Abstract（参考訳）: VNF(Virtualized Network Functions)の可能性を活用するには、リソース消費とパフォーマンスの関係を明確に理解する必要がある。 現在の最先端技術では、機械学習(ML)モデル、特に特定のネットワーク環境とVNFタイプに対して、単一目的の最適化ターゲットを想定した監視学習(SL)モデルを活用しようとしている。 異なるアプローチをとると、適応強化学習(rl)を用いたマルチリソース型割り当てとパフォーマンス目標を最適化する新しいvnfプロファイラが作成される。 提案手法は,マルチリソース型消費を最小化し,VNF出力率を既存の単目的ソリューションと比較して最適化しながら,キーパフォーマンス指標(KPI)の目標を満たすことができる。 仮想CPU, メモリ, ネットワークリンク容量の3つのリソースタイプを対象に, 39個の研究シナリオ(VNFあたり13個)を対象とした実世界の3種類のVNFタイプによる実験評価を行い, RLモデルとSLモデルのベンチマークによる資源割り当て予測の精度とそれに対応するプロファイリング決定を検証した。 また,多目的最適化の必要性,VNFタイプごとの個別化試験,iOn-Profilerの自律的オンライン学習アプローチなどの適応可能なオンラインプロファイル学習など,様々なリソースがVNFタイプ毎に様々な方法でパフォーマンスに影響を与えることを明らかにする。

関連論文リスト

• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。 我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。 我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning [9.451084740123198]
  フェデレートラーニング(FL)は、エッジデバイスが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 しかし、電力、帯域幅などの制約のあるリソースを持つモバイルエッジネットワーク上にFLをデプロイすることは、高いトレーニングレイテンシと低いモデルの精度に悩まされる。 本稿では,資源制約と不確実性の下で,モバイルエッジネットワーク上でのFLの最適なクライアントスケジューリングとリソース割り当てについて検討する。
  論文  参考訳（メタデータ） (2024-09-29T01:56:45Z)
• Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning [5.421492821020181]
  Federated Learning(FL)は、デバイスがローカルデータを共有せずにモデルを協調的にトレーニングできる分散機械学習アプローチである。 FLを実世界のデータに適用することは、特に既存のFL研究が不正なデータに焦点を当てているため、課題を提示している。 我々は,各モードエンコーダのトレーニングリソースを適応的に割り当てることで,MFLにおける計算効率を向上させる新しい手法FlexModを提案する。
  論文  参考訳（メタデータ） (2024-08-13T01:14:27Z)
• Dependable Distributed Training of Compressed Machine Learning Models [16.403297089086042]
  信頼性のある学習オーケストレーションのためのフレームワークであるDepLを提案する。 i) 学習に活用するデータ、(ii) 使用するモデルと、それらに切り替えるタイミング、(iii) ノードのクラスタとそのリソースについて、高品質で効率的な決定を行う。 DepLの競合比と複雑性は一定であり、最先端技術よりも27%以上向上していることを示す。
  論文  参考訳（メタデータ） (2024-02-22T07:24:26Z)
• When Parameter-efficient Tuning Meets General-purpose Vision-language Models [65.19127815275307]
  PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。 実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T17:13:08Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。