論文の概要: Intelligent Data-Driven Architectural Features Orchestration for Network Slicing

• arxiv url: http://arxiv.org/abs/2401.06538v1
• Date: Fri, 12 Jan 2024 12:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 19:32:40.543957
• Title: Intelligent Data-Driven Architectural Features Orchestration for Network Slicing
• Title（参考訳）: ネットワークスライシングのためのインテリジェントデータ駆動アーキテクチャ機能オーケストレーション
• Authors: Rodrigo Moreira, Flavio de Oliveira Silva, Tereza Cristina Melo de Brito Carvalho, Joberto S. B. Martins
• Abstract要約: オーケストレーションと機械学習は、ネットワークスライシングプロセスにおいて重要な役割を持つ重要な要素である。 本稿では,機械学習によるネットワークスライシングアーキテクチャの機能と機能のオーケストレーションについて論じる。 分散組込みおよび協調MLエージェントを用いたSFI2アーキテクチャのアタック防止セキュリティ機構を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Network slicing is a crucial enabler and a trend for the Next Generation Mobile Network (NGMN) and various other new systems like the Internet of Vehicles (IoV) and Industrial IoT (IIoT). Orchestration and machine learning are key elements with a crucial role in the network-slicing processes since the NS process needs to orchestrate resources and functionalities, and machine learning can potentially optimize the orchestration process. However, existing network-slicing architectures lack the ability to define intelligent approaches to orchestrate features and resources in the slicing process. This paper discusses machine learning-based orchestration of features and capabilities in network slicing architectures. Initially, the slice resource orchestration and allocation in the slicing planning, configuration, commissioning, and operation phases are analyzed. In sequence, we highlight the need for optimized architectural feature orchestration and recommend using ML-embed agents, federated learning intrinsic mechanisms for knowledge acquisition, and a data-driven approach embedded in the network slicing architecture. We further develop an architectural features orchestration case embedded in the SFI2 network slicing architecture. An attack prevention security mechanism is developed for the SFI2 architecture using distributed embedded and cooperating ML agents. The case presented illustrates the architectural feature's orchestration process and benefits, highlighting its importance for the network slicing process.
• Abstract（参考訳）: ネットワークスライシングは、次世代モバイルネットワーク(NGMN)や、Internet of Vehicles(IoV)やIndustrial IoT(IIoT)など、さまざまな新しいシステムにとって、重要な実現手段でありトレンドである。 NSプロセスはリソースと機能をオーケストレーションする必要があるため、オーケストレーションと機械学習は、ネットワークスライシングプロセスにおいて重要な役割を持つ重要な要素である。 しかし、既存のネットワークスライシングアーキテクチャには、スライシングプロセスで機能やリソースをオーケストレーションするインテリジェントなアプローチを定義する能力がない。 本稿では,機械学習によるネットワークスライシングアーキテクチャの機能と機能のオーケストレーションについて述べる。 まず、スライスリソースのオーケストレーションと、スライス計画、構成、コミッション、運用フェーズにおける割り当てを分析する。 順に、最適化されたアーキテクチャ機能オーケストレーションの必要性を強調し、ML組み込みエージェントの使用、知識獲得のためのフェデレーション学習固有のメカニズム、そしてネットワークスライシングアーキテクチャに埋め込まれたデータ駆動アプローチを推奨する。 SFI2ネットワークスライシングアーキテクチャに組み込まれたアーキテクチャ機能オーケストレーションケースをさらに開発する。 分散組込みおよび協調MLエージェントを用いたSFI2アーキテクチャに対する攻撃防止セキュリティ機構を開発した。 提示されたケースは、アーキテクチャ機能のオーケストレーションプロセスとメリットを示し、ネットワークスライシングプロセスの重要性を強調している。

関連論文リスト

• An Intelligent Native Network Slicing Security Architecture Empowered by Federated Learning [0.0]
  ネットワークスライシングソリューションを改善するためのアーキテクチャ・インテリジェントセキュリティ機構を提案する。 我々は、汎用的および非ネイティブなテレメトリ記録を用いて、スライス内のDistributed Denial-of-Service(DDoS)と侵入攻撃を識別する。
  論文  参考訳（メタデータ） (2024-10-04T21:12:23Z)
• Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
  高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。 本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。 ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
  論文  参考訳（メタデータ） (2024-02-27T11:52:49Z)
• OTOv3: Automatic Architecture-Agnostic Neural Network Training and Compression from Structured Pruning to Erasing Operators [57.145175475579315]
  このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。 第3世代のOTOv3(Noth-Train-Once)を導入する。 我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-15T00:22:55Z)
• Enhancing Network Slicing Architectures with Machine Learning, Security, Sustainability and Experimental Networks Integration [0.21200026734831154]
  NS(Network Slicing)は5Gネットワークコンピューティング戦略において広く使われている技術である。 NSは6Gの未来的かつ高要求のアプリケーションのための主要なイネーブラーの1つとして予見されている。 NSアーキテクチャの提案は通常、共通性のある特定のドメインセットのニーズを満たす。
  論文  参考訳（メタデータ） (2023-07-18T11:22:31Z)
• One Network Doesn't Rule Them All: Moving Beyond Handcrafted Architectures in Self-Supervised Learning [45.34419286124694]
  ネットワークアーキテクチャが自己教師型学習(SSL)において重要な役割を果たすことを示す。 我々は、ResNetおよびMobileNetアーキテクチャの100種類以上のバリエーションを用いて研究を行い、SSL設定の11のダウンストリームシナリオでそれらを評価した。 自己教師型アーキテクチャ」は,大規模で計算量の多いResNet50と競合しながら,人気のハンドクラフトアーキテクチャよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T17:54:57Z)
• SIRe-Networks: Skip Connections over Interlaced Multi-Task Learning and Residual Connections for Structure Preserving Object Classification [28.02302915971059]
  本稿では、オブジェクト分類タスクにおける消失勾配を低減するために、SIReを定義したインターレース型マルチタスク学習戦略を提案する。 提案手法は、自動エンコーダを介して入力画像構造を保存することにより、畳み込みニューラルネットワーク(CNN)を直接改善する。 提案手法を検証するため、SIRe戦略を介して単純なCNNと有名なネットワークの様々な実装を拡張し、CIFAR100データセットで広範囲にテストする。
  論文  参考訳（メタデータ） (2021-10-06T13:54:49Z)
• Elastic Architecture Search for Diverse Tasks with Different Resources [87.23061200971912]
  本研究では,異なるリソースを持つ多様なタスクを効率的に配置する上で,クラス群に対応するリソース制約や関心のタスクをテスト時に動的に指定する,新たな課題について検討する。 従来のNASアプローチでは、全てのクラスのアーキテクチャを同時に設計することを模索しており、これはいくつかの個別のタスクに最適ではないかもしれない。 本稿では、様々なリソース制約のある多様なタスクに対して、実行時に即時特殊化を可能にする、Elastic Architecture Search (EAS)と呼ばれる斬新で一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T00:54:27Z)
• Operation Embeddings for Neural Architecture Search [15.033712726016255]
  最適化プロセスにおいて、固定演算子エンコーディングを学習可能な表現に置き換えることを提案する。 本手法は,同様の操作とグラフパターンを共有するトップパフォーマンスアーキテクチャを生成する。
  論文  参考訳（メタデータ） (2021-05-11T09:17:10Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。