Fugu-MT 論文翻訳(概要): ML KPI Prediction in 5G and B5G Networks

論文の概要: ML KPI Prediction in 5G and B5G Networks

arxiv url: http://arxiv.org/abs/2404.01530v1
Date: Mon, 1 Apr 2024 23:34:28 GMT
ステータス: 処理完了
システム内更新日: 2024-04-03 18:27:47.637408
Title: ML KPI Prediction in 5G and B5G Networks
Title（参考訳）: 5GおよびB5GネットワークにおけるML KPI予測
Authors: Nguyen Phuc Tran, Oscar Delgado, Brigitte Jaumard, Fadi Bishay,
Abstract要約: エンド・ツー・エンド(E2E)ネットワークスライスを持つ5GおよびB5Gネットワークのスループットを推定するために使用される機械学習(ML)モデルを提案する。予測スループットと現在のネットワーク状態を組み合わせることで,他のネットワーク評価の見積を導出する。
参考スコア（独自算出の注目度）: 0.824969449883056
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Network operators are facing new challenges when meeting the needs of their customers. The challenges arise due to the rise of new services, such as HD video streaming, IoT, autonomous driving, etc., and the exponential growth of network traffic. In this context, 5G and B5G networks have been evolving to accommodate a wide range of applications and use cases. Additionally, this evolution brings new features, like the ability to create multiple end-to-end isolated virtual networks using network slicing. Nevertheless, to ensure the quality of service, operators must maintain and optimize their networks in accordance with the key performance indicators (KPIs) and the slice service-level agreements (SLAs). In this paper, we introduce a machine learning (ML) model used to estimate throughput in 5G and B5G networks with end-to-end (E2E) network slices. Then, we combine the predicted throughput with the current network state to derive an estimate of other network KPIs, which can be used to further improve service assurance. To assess the efficiency of our solution, a performance metric was proposed. Numerical evaluations demonstrate that our KPI prediction model outperforms those derived from other methods with the same or nearly the same computational time.
Abstract（参考訳）: ネットワークオペレータは、顧客のニーズを満たす際に、新たな課題に直面しています。課題は、HDビデオストリーミング、IoT、自動運転など、新たなサービスの台頭と、ネットワークトラフィックの指数的な増加によるものだ。この状況下では、5GとB5Gネットワークは幅広いアプリケーションやユースケースに対応するように進化してきた。さらに、この進化は、ネットワークスライシングを使用して複数のエンドツーエンドの分離された仮想ネットワークを作成する機能など、新しい機能をもたらす。それでも、サービスの品質を保証するために、オペレータは、キーパフォーマンス指標(KPI)とスライスサービスレベル合意(SLA)に従って、ネットワークをメンテナンスし、最適化する必要があります。本稿では,エンド・ツー・エンド(E2E)ネットワークスライスを用いた5GおよびB5Gネットワークのスループットを推定する機械学習(ML)モデルを提案する。そして、予測スループットと現在のネットワーク状態を組み合わせることで、サービス保証をさらに改善するために使用できる他のネットワークKPIの推定を導出する。本手法の有効性を評価するため,性能指標を提案した。 KPI予測モデルは,同じあるいはほぼ同じ計算時間で,他の手法よりも優れていることを示す。

関連論文リスト

Adaptive Digital Twin and Communication-Efficient Federated Learning Network Slicing for 5G-enabled Internet of Things [8.11509914300497]
ネットワークスライシングは、ネットワークリソースの効率的な使用と管理を通じて、増大する要求を満たすために、マルチサービスとリソース要求を区別した産業用IoTネットワークを可能にする。次世代のIndustry 4.0は、物理システムを正確な意思決定のためにデジタルモデルにマッピングするデジタルツインを導入した。提案手法では,まずグラフアテンションネットワークを用いて,ネットワークスライスのためのディジタルツイン環境を構築し,リアルタイムトラフィック分析,監視,需要予測を実現する。
論文参考訳（メタデータ） (2024-06-22T15:33:35Z)
Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文参考訳（メタデータ） (2023-09-12T13:03:47Z)
Low Complexity Adaptive Machine Learning Approaches for End-to-End Latency Prediction [0.0]
この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
論文参考訳（メタデータ） (2023-01-31T10:29:11Z)
Multi-Exit Semantic Segmentation Networks [78.44441236864057]
本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
論文参考訳（メタデータ） (2021-06-07T11:37:03Z)
Learnable Expansion-and-Compression Network for Few-shot Class-Incremental Learning [87.94561000910707]
破滅的忘れとモデルオーバーフィッティングの問題を解決するための学習可能な拡張・圧縮ネットワーク(LEC-Net)を提案する。 LEC-Netは機能の表現能力を拡大し、モデル正規化の観点から古いネットワークの特徴漂流を緩和します。 CUB/CIFAR-100データセットの実験では、LEC-Netがベースラインを57%改善し、最先端の56%を上回ります。
論文参考訳（メタデータ） (2021-04-06T04:34:21Z)
Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover [0.0]
5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
論文参考訳（メタデータ） (2021-01-17T00:31:37Z)
Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility [6.112377814215607]
MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
論文参考訳（メタデータ） (2020-11-20T18:59:27Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
Estimation of Video Streaming KQIs for Radio Access Negotiation in Network Slicing Scenarios [0.34410212782758043]
5Gはネットワークスライシングという概念を,ネットワーク構成と最適化のまったく異なる視点を示す新しいパラダイムとして導入している。このスキームの主な課題は、スライスを使用するユーザに必要な品質を提供する特定のリソースを確立することである。
論文参考訳（メタデータ） (2020-06-16T14:10:54Z)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)
ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2020-03-07T02:12:02Z)

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。