論文の概要: Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2401.06922v1
• Date: Fri, 12 Jan 2024 22:43:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 20:43:32.130461
• Title: Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いたオープンRAN LSTMトラフィック予測とスライス管理
• Authors: Fatemeh Lotfi, Fatemeh Afghah
• Abstract要約: 本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。 シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。 これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
• 参考スコア（独自算出の注目度）: 7.473473066047965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With emerging applications such as autonomous driving, smart cities, and smart factories, network slicing has become an essential component of 5G and beyond networks as a means of catering to a service-aware network. However, managing different network slices while maintaining quality of services (QoS) is a challenge in a dynamic environment. To address this issue, this paper leverages the heterogeneous experiences of distributed units (DUs) in ORAN systems and introduces a novel approach to ORAN slicing xApp using distributed deep reinforcement learning (DDRL). Additionally, to enhance the decision-making performance of the RL agent, a prediction rApp based on long short-term memory (LSTM) is incorporated to provide additional information from the dynamic environment to the xApp. Simulation results demonstrate significant improvements in network performance, particularly in reducing QoS violations. This emphasizes the importance of using the prediction rApp and distributed actors' information jointly as part of a dynamic xApp.
• Abstract（参考訳）: 自動運転やスマートシティ、スマートファクトリーといった新興のアプリケーションによって、ネットワークスライシングは、サービスアウェアネットワークに対応する手段として、5gとそれ以上のネットワークの重要なコンポーネントになっています。 しかし、サービス品質(QoS)を維持しながら異なるネットワークスライスを管理することは、動的な環境では難しい。 本稿では,ORANシステムにおける分散ユニット(DU)の不均一な経験を活用し,分散深部強化学習(DDRL)を用いたORANスライシングxAppの新しいアプローチを提案する。 さらに、RLエージェントの意思決定性能を高めるため、長期記憶(LSTM)に基づく予測rAppが組み込まれ、動的環境からxAppへの追加情報を提供する。 シミュレーションの結果,ネットワーク性能,特にqos違反の低減において有意な改善が示された。 これは、動的xAppの一部として予測rAppと分散アクターの情報を使用することの重要性を強調している。

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)
• Attention-based Open RAN Slice Management using Deep Reinforcement Learning [6.177038245239758]
  本稿では,O-RAN分散化モジュールと分散エージェント協調を利用した,革新的アテンションベースディープRL(ADRL)技術を提案する。 シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-06-15T20:37:19Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Reinforcement Learning Based Resource Allocation for Network Slices in O-RAN Midhaul [4.254099382808598]
  ネットワークスライシングは、Ultra-Reliable Low Communication (URLLC) や Enhanced Mobile Broadband (eMBB) など、異なるサービスに対する異なる要求に基づいて、第5世代(5G)モバイルネットワークリソース割り当てを想定している。 本研究は、ユーザ機器(UE)、エッジオクラウド、地域オクラウドの3つのコンポーネントを備えた、RL互換の簡易エッジネットワークシミュレータを実証する。 このシミュレータは後に、未使用帯域を他のスライスから動的に割り当てることで、ターゲットネットワークスライス(s)のスループットを改善する方法を見つけるために使われる。
  論文  参考訳（メタデータ） (2022-11-14T15:48:13Z)
• Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
  新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。 本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-30T17:00:53Z)
• CLARA: A Constrained Reinforcement Learning Based Resource Allocation Framework for Network Slicing [19.990451009223573]
  ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。 モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。 本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
  論文  参考訳（メタデータ） (2021-11-16T11:54:09Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Self-play Learning Strategies for Resource Assignment in Open-RAN Networks [3.763743638851161]
  open radio access network (oran) は、将来のモバイルデータネットワークのコストを削減し、アクセスを民主化する目的で開発されている。 ORANでは、ネットワーク機能はリモートユニット(RU)、分散ユニット(DU)、中央ユニット(CU)に分解される。
  論文  参考訳（メタデータ） (2021-03-03T19:31:29Z)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。