論文の概要: Online Learning for Autonomous Management of Intent-based 6G Networks

• arxiv url: http://arxiv.org/abs/2407.17767v1
• Date: Thu, 25 Jul 2024 04:48:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 15:17:52.212538
• Title: Online Learning for Autonomous Management of Intent-based 6G Networks
• Title（参考訳）: インテントベース6Gネットワークの自律的管理のためのオンライン学習
• Authors: Erciyes Karakaya, Ozgur Ercetin, Huseyin Ozkan, Mehmet Karaca, Elham Dehghan Biyar, Alexandros Palaios,
• Abstract要約: 本稿では,階層型マルチアームバンディットアプローチに基づくオンライン学習手法を提案する。 提案アルゴリズムは,資源配分と意図的期待の満足度に関する効果的なアプローチであることを示す。
• 参考スコア（独自算出の注目度）: 39.135195293229444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing complexity of networks and the variety of future scenarios with diverse and often stringent performance requirements call for a higher level of automation. Intent-based management emerges as a solution to attain high level of automation, enabling human operators to solely communicate with the network through high-level intents. The intents consist of the targets in the form of expectations (i.e., latency expectation) from a service and based on the expectations the required network configurations should be done accordingly. It is almost inevitable that when a network action is taken to fulfill one intent, it can cause negative impacts on the performance of another intent, which results in a conflict. In this paper, we aim to address the conflict issue and autonomous management of intent-based networking, and propose an online learning method based on the hierarchical multi-armed bandits approach for an effective management. Thanks to this hierarchical structure, it performs an efficient exploration and exploitation of network configurations with respect to the dynamic network conditions. We show that our algorithm is an effective approach regarding resource allocation and satisfaction of intent expectations.
• Abstract（参考訳）: ネットワークの複雑さの増大と、多様でしばしば厳格なパフォーマンス要件を持つ様々な将来のシナリオは、より高度な自動化を必要とします。 インテントベースの管理は、高レベルの自動化を実現するソリューションとして登場し、人間のオペレータが高レベルのインテントを通じてネットワークとのみ通信できるようにする。 インテントは、サービスからの期待(すなわちレイテンシ期待)の形式でのターゲットで構成されており、必要なネットワーク構成をそれに従って行うべきだという期待に基づいている。 ネットワークアクションが1つの意図を満たすために取られると、別の意図のパフォーマンスに悪影響を及ぼし、それが衝突を引き起こすことはほとんど避けられない。 本稿では,意図に基づくネットワークの競合問題と自律的管理に対処することを目的として,階層型マルチアームバンディットアプローチに基づくオンライン学習手法を提案する。 この階層構造のおかげで、動的ネットワーク条件に対するネットワーク構成の効率的な探索と活用を行うことができる。 提案アルゴリズムは,資源配分と意図的期待の満足度に関する効果的なアプローチであることを示す。

関連論文リスト

• Towards Intent-Based Network Management: Large Language Models for Intent Extraction in 5G Core Networks [10.981422497762837]
  機械学習と人工知能を第5世代(5G)ネットワークに統合することで、ネットワークインテリジェンスの限界が明らかになった。 本稿では,5Gおよび次世代インテントベースネットワークのためのLLM(Large Language Model)の開発について述べる。
  論文  参考訳（メタデータ） (2024-03-04T17:29:57Z)
• Intent Assurance using LLMs guided by Intent Drift [5.438862991585019]
  Intent-Based Networking (IBN) は、意図とビジネス目標をネットワーク操作に自動的に整合させることを約束する。 本稿では,意図的ドリフトの発生を検知し,行動することができる保証フレームワークを定義する。 私たちは、Large Language Models (LLMs)によって生成されたAI駆動のポリシーを活用しています。
  論文  参考訳（メタデータ） (2024-02-01T16:09:19Z)
• Towards Intelligent Network Management: Leveraging AI for Network Service Detection [0.0]
  本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。 我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。 本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
  論文  参考訳（メタデータ） (2023-10-14T16:06:11Z)
• AI in 6G: Energy-Efficient Distributed Machine Learning for Multilayer Heterogeneous Networks [7.318997639507269]
  本稿では,ネットワーク層とエンティティにまたがるさまざまな機械学習手法に関連するタスクを分散する,階層ベースの新しいHetNetアーキテクチャを提案する。 このようなHetNetは、複数のアクセス方式と、エネルギー効率を高めるためのデバイス間通信(D2D)を備えている。
  論文  参考訳（メタデータ） (2022-06-04T22:03:19Z)
• Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
  本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。 私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
  論文  参考訳（メタデータ） (2021-11-11T11:31:20Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• Competing Adaptive Networks [56.56653763124104]
  適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。 本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
  論文  参考訳（メタデータ） (2021-03-29T14:42:15Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)
• Learning to Branch for Multi-Task Learning [12.49373126819798]
  ネットワーク内の共有や分岐の場所を学習するマルチタスク学習アルゴリズムを提案する。 本稿では,木分岐操作をガムベル・ソフトマックスサンプリング手法として用いる新しい木構造設計空間を提案する。
  論文  参考訳（メタデータ） (2020-06-02T19:23:21Z)

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。