論文の概要: Federated Transfer Component Analysis Towards Effective VNF Profiling

• arxiv url: http://arxiv.org/abs/2404.17553v2
• Date: Wed, 1 May 2024 10:21:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 11:09:15.418320
• Title: Federated Transfer Component Analysis Towards Effective VNF Profiling
• Title（参考訳）: 効率的なVNFプロファイリングに向けたフェデレート転送成分分析
• Authors: Xunzheng Zhang, Shadi Moazzeni, Juan Marcelo Parra-Ullauri, Reza Nejabati, Dimitra Simeonidou,
• Abstract要約: 本稿では、ソースとターゲットVNF間のFederated Transfer Component Analysis(FTCA)手法を提案する。 実験により、提案されたFTCAは、ターゲットVNFに必要なリソースを効果的に予測できることが示されている。
• 参考スコア（独自算出の注目度）: 0.43940242530756707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing concerns of knowledge transfer and data privacy challenge the traditional gather-and-analyse paradigm in networks. Specifically, the intelligent orchestration of Virtual Network Functions (VNFs) requires understanding and profiling the resource consumption. However, profiling all kinds of VNFs is time-consuming. It is important to consider transferring the well-profiled VNF knowledge to other lack-profiled VNF types while keeping data private. To this end, this paper proposes a Federated Transfer Component Analysis (FTCA) method between the source and target VNFs. FTCA first trains Generative Adversarial Networks (GANs) based on the source VNF profiling data, and the trained GANs model is sent to the target VNF domain. Then, FTCA realizes federated domain adaptation by using the generated source VNF data and less target VNF profiling data, while keeping the raw data locally. Experiments show that the proposed FTCA can effectively predict the required resources for the target VNF. Specifically, the RMSE index of the regression model decreases by 38.5% and the R-squared metric advances up to 68.6%.
• Abstract（参考訳）: 知識伝達とデータプライバシに関する懸念の高まりは、ネットワークにおける従来の収集と分析のパラダイムに挑戦する。 具体的には、仮想ネットワーク関数(VNF)のインテリジェントなオーケストレーションには、リソース消費の理解とプロファイリングが必要である。 しかし、あらゆる種類のVNFのプロファイリングには時間がかかる。 データの非公開性を維持しながら、よく知られたVNF知識を他の注目されていないVNFタイプに転送することを検討することが重要である。 そこで本研究では,ソースとターゲットVNF間のFederated Transfer Component Analysis(FTCA)手法を提案する。 FTCAは、まずソースVNFプロファイリングデータに基づいてGAN(Generative Adversarial Networks)を訓練し、トレーニングされたGANsモデルをターゲットVNFドメインに送信する。 そして、FTCAは、生成されたソースVNFデータを使用して、生データをローカルに保持しつつ、ターゲットVNFプロファイリングデータを少なくすることで、フェデレートされたドメイン適応を実現する。 実験により、提案されたFTCAは、ターゲットVNFに必要なリソースを効果的に予測できることが示されている。 具体的には、回帰モデルのRMSE指数は38.5%減少し、R2乗計量は68.6%上昇する。

関連論文リスト

• Optimizing Service Function Chain Mapping in Network Function Virtualization through Simultaneous NF Decomposition and VNF Placement [0.0]
  非支配的ソート遺伝的多目的アルゴリズム(GANSII)に基づく多目的分解とマッピングVNF(MODMVNF)手法を提案する。 目的は、SFCのマッピングコストと通信遅延を最小限に抑えるため、物理ネットワーク上のほぼ最適分解とマッピングを同時に見つけることである。
  論文  参考訳（メタデータ） (2024-11-12T07:26:51Z)
• iOn-Profiler: intelligent Online multi-objective VNF Profiling with Reinforcement Learning [0.7989135005592127]
  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。
  論文  参考訳（メタデータ） (2023-12-14T21:36:40Z)
• Hierarchical Network Data Analytics Framework for B5G Network Automation: Design and Implementation [4.786337974720721]
  5Gは、より柔軟で柔軟な方法で新興サービスをサポートするために、モジュール化されたネットワーク機能(NF)を導入した。 本稿では,複数葉NWDAFに推論タスクを分散し,根元NWDAFでトレーニングタスクを行う階層型ネットワークデータ分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T09:04:58Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
  我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。 我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-12-14T13:57:01Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。