論文の概要: Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks

• arxiv url: http://arxiv.org/abs/2407.00286v1
• Date: Sat, 29 Jun 2024 02:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 05:41:03.357766
• Title: Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks
• Title（参考訳）: 無線ネットワークにおける信頼性エッジキャッシングのためのディジタルツイン支援データ駆動最適化
• Authors: Zifan Zhang, Yuchen Liu, Zhiyuan Peng, Mingzhe Chen, Dongkuan Xu, Shuguang Cui,
• Abstract要約: 我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
• 参考スコア（独自算出の注目度）: 60.54852710216738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing edge caching is crucial for the advancement of next-generation (nextG) wireless networks, ensuring high-speed and low-latency services for mobile users. Existing data-driven optimization approaches often lack awareness of the distribution of random data variables and focus solely on optimizing cache hit rates, neglecting potential reliability concerns, such as base station overload and unbalanced cache issues. This oversight can result in system crashes and degraded user experience. To bridge this gap, we introduce a novel digital twin-assisted optimization framework, called D-REC, which integrates reinforcement learning (RL) with diverse intervention modules to ensure reliable caching in nextG wireless networks. We first develop a joint vertical and horizontal twinning approach to efficiently create network digital twins, which are then employed by D-REC as RL optimizers and safeguards, providing ample datasets for training and predictive evaluation of our cache replacement policy. By incorporating reliability modules into a constrained Markov decision process, D-REC can adaptively adjust actions, rewards, and states to comply with advantageous constraints, minimizing the risk of network failures. Theoretical analysis demonstrates comparable convergence rates between D-REC and vanilla data-driven methods without compromising caching performance. Extensive experiments validate that D-REC outperforms conventional approaches in cache hit rate and load balancing while effectively enforcing predetermined reliability intervention modules.
• Abstract（参考訳）: エッジキャッシュの最適化は、次世代(nextG)無線ネットワークの発展に不可欠である。 既存のデータ駆動最適化アプローチは、しばしばランダムなデータ変数の分布を認識しておらず、キャッシュヒット率の最適化、ベースステーションオーバーロードやアンバランスなキャッシュ問題といった潜在的な信頼性の懸念を無視している。 この監視はシステムのクラッシュとユーザエクスペリエンスの低下をもたらす可能性がある。 このギャップを埋めるために、我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、RLと様々な介入モジュールを統合して、次のG無線ネットワークにおける信頼性の高いキャッシュを確保する。 まず,D-RECによってRL最適化と安全ガードとして採用され,キャッシュ置換ポリシーのトレーニングと予測評価のための十分なデータセットを提供するネットワークディジタルツインを効率よく作成するための,垂直水平ツインニング手法を開発した。 信頼性モジュールを制約付きマルコフ決定プロセスに組み込むことで、D-RECはアクション、報酬、状態を適応的に調整し、有利な制約に従うことができ、ネットワーク障害のリスクを最小限にすることができる。 理論的解析は、キャッシュ性能を損なうことなく、D-RECとバニラデータ駆動方式の収束率に匹敵する値を示す。 大規模な実験により、D-RECはキャッシュヒット率と負荷分散の従来の手法より優れており、所定の信頼性の介入モジュールを効果的に実行している。

関連論文リスト

• Data-Driven Lipschitz Continuity: A Cost-Effective Approach to Improve Adversarial Robustness [47.9744734181236]
  我々は、ディープニューラルネットワーク(DNN)の敵攻撃に対する堅牢性を証明するために、リプシッツ連続性の概念を探求する。 本稿では,入力領域を制約範囲に再マップし,リプシッツ定数を低減し,ロバスト性を高める新しいアルゴリズムを提案する。 本手法は,ロバストベンチリーダーボード上のCIFAR10,CIFAR100,ImageNetデータセットに対して,最も堅牢な精度を実現する。
  論文  参考訳（メタデータ） (2024-06-28T03:10:36Z)
• Emergency Caching: Coded Caching-based Reliable Map Transmission in Emergency Networks [9.423705897088672]
  本稿では,データ収集と信頼性伝送に着目したキャッシュネットワークの3層アーキテクチャを提案する。 我々は,コードキャッシュ技術を統合した災害地図収集フレームワークを提案する。 提案手法は,シミュレーションにより検証した非符号化キャッシュ方式よりも効果的である。
  論文  参考訳（メタデータ） (2024-02-27T14:44:11Z)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• RRNet: Towards ReLU-Reduced Neural Network for Two-party Computation Based Private Inference [17.299835585861747]
  本稿では,MPC比較プロトコルのオーバーヘッドを減らし,ハードウェアアクセラレーションによる計算を高速化するフレームワークRRNetを紹介する。 提案手法は,暗号ビルディングブロックのハードウェア遅延をDNN損失関数に統合し,エネルギー効率,精度,セキュリティ保証を改善する。
  論文  参考訳（メタデータ） (2023-02-05T04:02:13Z)
• Learning towards Synchronous Network Memorizability and Generalizability for Continual Segmentation across Multiple Sites [52.84959869494459]
  臨床実践では、複数のサイトから連続的なデータストリームを継続的に学習するために、セグメンテーションネットワークが必要であることが多い。 既存の方法は、通常、以前のサイトのネットワーク記憶可能性や、目に見えないサイトの一般化可能性に制限される。 本稿では,SMG学習フレームワークの提案により,同期記憶可能性と一般化可能性の問題に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2022-06-14T13:04:36Z)
• Accelerating Deep Learning Classification with Error-controlled Approximate-key Caching [72.50506500576746]
  我々は、近似キーキャッシングと名付けた新しいキャッシングパラダイムを提案する。 近似キャッシュはDL推論の負荷を軽減し、システムのスループットを向上するが、近似誤差を導入する。 我々は古典的なLRUと理想的なキャッシュのキャッシュシステム性能を解析的にモデル化し、期待される性能のトレース駆動評価を行い、提案手法の利点を最先端の類似キャッシュと比較した。
  論文  参考訳（メタデータ） (2021-12-13T13:49:11Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)

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。