論文の概要: Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need
- arxiv url: http://arxiv.org/abs/2406.16929v1
- Date: Thu, 13 Jun 2024 06:02:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 06:31:46.715542
- Title: Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need
- Title(参考訳): 実世界のデータを用いた5Gエネルギー消費のモデリング:エネルギーフィンガープリントは必要なだけ
- Authors: Tingwei Chen, Yantao Wang, Hanzhi Chen, Zijian Zhao, Xinhao Li, Nicola Piovesan, Guangxu Zhu, Qingjiang Shi,
- Abstract要約: 本稿では、ITU 5G基地エネルギー消費モデルチャレンジで使用される実世界のデータセットから学習し、新しい5G基地エネルギー消費モデルを提案する。
提案手法は既存のモデルよりも大幅に改善され,平均絶対パーセンテージエラー(MAPE)が12.75%から4.98%に削減され,60%以上の性能向上が達成された。
- 参考スコア(独自算出の注目度): 21.483076846188837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The introduction of fifth-generation (5G) radio technology has revolutionized communications, bringing unprecedented automation, capacity, connectivity, and ultra-fast, reliable communications. However, this technological leap comes with a substantial increase in energy consumption, presenting a significant challenge. To improve the energy efficiency of 5G networks, it is imperative to develop sophisticated models that accurately reflect the influence of base station (BS) attributes and operational conditions on energy usage.Importantly, addressing the complexity and interdependencies of these diverse features is particularly challenging, both in terms of data processing and model architecture design. This paper proposes a novel 5G base stations energy consumption modelling method by learning from a real-world dataset used in the ITU 5G Base Station Energy Consumption Modelling Challenge in which our model ranked second. Unlike existing methods that omit the Base Station Identifier (BSID) information and thus fail to capture the unique energy fingerprint in different base stations, we incorporate the BSID into the input features and encoding it with an embedding layer for precise representation. Additionally, we introduce a novel masked training method alongside an attention mechanism to further boost the model's generalization capabilities and accuracy. After evaluation, our method demonstrates significant improvements over existing models, reducing Mean Absolute Percentage Error (MAPE) from 12.75% to 4.98%, leading to a performance gain of more than 60%.
- Abstract(参考訳): 第5世代(5G)無線技術の導入は、前例のない自動化、キャパシティ、接続性、超高速で信頼性の高い通信をもたらす通信に革命をもたらした。
しかし、この技術革新はエネルギー消費が大幅に増加し、大きな課題が浮かび上がっている。
5Gネットワークのエネルギー効率を向上させるためには,基地局特性や運用条件がエネルギー利用に与える影響を正確に反映した高度なモデルを開発することが不可欠である。
本稿では,ITU 5Gベースステーションエネルギー消費モデルチャレンジにおいて,本モデルが第2位となった実世界のデータセットから学習した,新しい5Gベースステーションエネルギー消費モデルを提案する。
基地局識別器(BSID)情報を省略し、異なる基地局で固有のエネルギー指紋を捕捉できない既存の方法とは異なり、BSIDは入力特徴に組み込まれ、正確な表現のために埋め込み層に符号化される。
さらに,モデルの一般化能力と精度をさらに向上させるために,注意機構とともに新しいマスク付きトレーニング手法を導入する。
評価の結果,提案手法は既存モデルよりも大幅に改善され,平均絶対誤差(MAPE)が12.75%から4.98%に減少し,性能が60%以上向上した。
関連論文リスト
- Revisiting DNN Training for Intermittently Powered Energy Harvesting Micro Computers [0.6721767679705013]
本研究では,エネルギー制約環境下でのディープニューラルネットワークに適した新しいトレーニング手法を紹介し,評価する。
本稿では,デバイスアーキテクチャとエネルギー可用性の変動性の両方に適応する動的ドロップアウト手法を提案する。
予備的な結果は、この戦略が5%未満の計算量を持つ最先端技術と比較して6~22%の精度向上をもたらすことを示している。
論文 参考訳(メタデータ) (2024-08-25T01:13:00Z) - Towards Energy-Aware Federated Traffic Prediction for Cellular Networks [2.360352205004026]
本稿では機械学習モデル(ML)の実現可能性を評価するための新しいサステナビリティ指標を提案する。
スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを連邦シナリオで評価した。
以上の結果から,より大きなMLモデルでは性能が著しく向上するが,炭素フットプリントの面では環境への影響が大きいことが示唆された。
論文 参考訳(メタデータ) (2023-09-19T14:28:09Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
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) - Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine
Learning Approach [6.74575019261951]
人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。
各種のAAUの消費電力挙動を把握できる汎用モデルの設計の利点を示す。
論文 参考訳(メタデータ) (2022-12-08T15:16:44Z) - Machine Learning and Analytical Power Consumption Models for 5G Base
Stations [6.287715553901191]
本稿では,5GマルチキャリアBSの消費電力を現実的に評価するための新しいモデルを提案する。
このフレームワークが収集した知識を活用して、現実的で分析可能な電力消費モデルを導出する。
論文 参考訳(メタデータ) (2022-09-23T14:07:36Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳(メタデータ) (2021-09-17T08:55:48Z) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳(メタデータ) (2021-03-22T21:22:51Z) - True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します
TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。
本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
論文 参考訳(メタデータ) (2020-11-26T06:42:36Z) - Energy-Based Processes for Exchangeable Data [109.04978766553612]
エネルギーベースモデルを交換可能なデータに拡張するために、エネルギーベースプロセス(EBP)を導入する。
EBPの鍵となる利点は、集合上のより柔軟な分布を、その濃度を制限することなく表現できることである。
本研究では,多種多様なタスクにおける最先端性能を実演する電子掲示板の効率的な訓練手順を開発する。
論文 参考訳(メタデータ) (2020-03-17T04:26:02Z) - 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。