論文の概要: Fair Resource Allocation in Virtualized O-RAN Platforms

• arxiv url: http://arxiv.org/abs/2402.11285v1
• Date: Sat, 17 Feb 2024 13:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 22:12:33.888273
• Title: Fair Resource Allocation in Virtualized O-RAN Platforms
• Title（参考訳）: 仮想化O-RANプラットフォームにおける公平な資源配分
• Authors: Fatih Aslan, George Iosifidis, Jose A. Ayala-Romero, Andres Garcia-Saavedra, Xavier Costa-Perez
• Abstract要約: O-RANシステムとその汎用コンピューティングプラットフォーム(O-Cloud)への展開は、前例のない性能向上をもたらすことが期待されているパラダイムシフトである。 本稿では,Oクラウドのエネルギーコストとサーバのハードウェア,キャパシティ,データトラフィック特性への依存性を評価する一連の実験について述べる。 省エネ方式で基地局のデータ負荷をO-Cloudサーバに割り当てる計算ポリシと,省エネ性を回避するため,ユーザ毎の送信ブロックサイズをほぼリアルタイムで決定する無線ポリシを提案する。
• 参考スコア（独自算出の注目度）: 15.613171815892809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: O-RAN systems and their deployment in virtualized general-purpose computing platforms (O-Cloud) constitute a paradigm shift expected to bring unprecedented performance gains. However, these architectures raise new implementation challenges and threaten to worsen the already-high energy consumption of mobile networks. This paper presents first a series of experiments which assess the O-Cloud's energy costs and their dependency on the servers' hardware, capacity and data traffic properties which, typically, change over time. Next, it proposes a compute policy for assigning the base station data loads to O-Cloud servers in an energy-efficient fashion; and a radio policy that determines at near-real-time the minimum transmission block size for each user so as to avoid unnecessary energy costs. The policies balance energy savings with performance, and ensure that both of them are dispersed fairly across the servers and users, respectively. To cater for the unknown and time-varying parameters affecting the policies, we develop a novel online learning framework with fairness guarantees that apply to the entire operation horizon of the system (long-term fairness). The policies are evaluated using trace-driven simulations and are fully implemented in an O-RAN compatible system where we measure the energy costs and throughput in realistic scenarios.
• Abstract（参考訳）: o-ranシステムとその仮想化汎用コンピューティングプラットフォーム(o-cloud)への展開は、前例のないパフォーマンス向上を期待するパラダイムシフトを構成する。 しかし、これらのアーキテクチャは新たな実装課題を引き起こし、モバイルネットワークの既に高いエネルギー消費を悪化させる恐れがある。 本稿では,まず,o-cloudのエネルギーコストと,サーバのハードウェア,容量,データトラフィック特性への依存度を評価する実験を行った。 次に,O-Cloudサーバへの基地局データのロードをエネルギー効率のよい方法で割り当てる計算ポリシと,不要なエネルギーコストを回避するため,ユーザ毎の送信ブロックサイズをほぼリアルタイムで決定する無線ポリシを提案する。 ポリシーは省エネとパフォーマンスのバランスをとっており、両者がそれぞれサーバとユーザ間で公平に分散していることを保証する。 政策に影響を及ぼす未知の時間的変動パラメータに対応するために,システム全体(長期的公平性)に適用可能な公平性保証を備えた新しいオンライン学習フレームワークを開発した。 これらのポリシーはトレース駆動シミュレーションを用いて評価され,実シナリオにおけるエネルギーコストとスループットを測定するO-RAN互換システムで完全に実装されている。

関連論文リスト

• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• Threshold-Based Data Exclusion Approach for Energy-Efficient Federated Edge Learning [4.25234252803357]
  Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。 FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。 本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T13:34:40Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• Virtual Microgrid Management via Software-defined Energy Network for Electricity Sharing [10.13696311830345]
  本稿では,ソフトウェア定義エネルギーネットワーク(SDEN)として動作する仮想マイクログリッドの構築手法を提案する。 提案したサイバー物理システムは、電気エネルギーがメンバー間で共有され、コンピュータネットワーク、無線通信、ピアツーピアインターネットアプリケーション(BitTorrentなど)で使用されるリソース割り当て手法にインスパイアされたハンドシェイクによって、サイバードメイン内でのエネルギー共有が有効であると仮定する。 本稿は、提案手法が既存の規制に概ね準拠するが、中央から長期に支配的な電化エネルギーシステムを組織化するための非常に破壊的な可能性を秘めていると結論付けている。
  論文  参考訳（メタデータ） (2021-02-01T06:09:40Z)
• AutoScale: Optimizing Energy Efficiency of End-to-End Edge Inference under Stochastic Variance [11.093360539563657]
  AutoScaleは、カスタム設計の強化学習アルゴリズムに基づいて構築された、適応的で軽量な実行スケーリングエンジンである。 本稿では,エッジでの高精度かつエネルギー効率の高いディープラーニング推論を実現するためのAutoScaleを提案する。
  論文  参考訳（メタデータ） (2020-05-06T00:30:29Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。