論文の概要: AdapShare: An RL-Based Dynamic Spectrum Sharing Solution for O-RAN
- arxiv url: http://arxiv.org/abs/2408.16842v2
- Date: Fri, 15 Nov 2024 05:08:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 18:55:23.467964
- Title: AdapShare: An RL-Based Dynamic Spectrum Sharing Solution for O-RAN
- Title（参考訳）: AdapShare: O-RANのためのRLベースの動的スペクトル共有ソリューション
- Authors: Sneihil Gopal, David Griffith, Richard A. Rouil, Chunmei Liu,
- Abstract要約: AdapShareは、インテントベースのスペクトル管理に強化学習を活用する、ORAN互換のソリューションである。
RLエージェントを採用することで、AdapShareはインテリジェントにネットワーク要求パターンを学び、リソースを割り当てる。
AdapShareは、長期ネットワーク需要統計に基づく準静的リソース割り当て方式より優れている。
- 参考スコア（独自算出の注目度）: 1.906179410714637
- License:
- Abstract: The Open Radio Access Network (O-RAN) initiative, characterized by open interfaces and AI/ML-capable RAN Intelligent Controller (RIC), facilitates effective spectrum sharing among RANs. In this context, we introduce AdapShare, an ORAN-compatible solution leveraging Reinforcement Learning (RL) for intent-based spectrum management, with the primary goal of minimizing resource surpluses or deficits in RANs. By employing RL agents, AdapShare intelligently learns network demand patterns and uses them to allocate resources. We demonstrate the efficacy of AdapShare in the spectrum sharing scenario between LTE and NR networks, incorporating real-world LTE resource usage data and synthetic NR usage data to demonstrate its practical use. We use the average surplus or deficit and fairness index to measure the system's performance in various scenarios. AdapShare outperforms a quasi-static resource allocation scheme based on long-term network demand statistics, particularly when available resources are scarce or exceed the aggregate demand from the networks. Lastly, we present a high-level O-RAN compatible architecture using RL agents, which demonstrates the seamless integration of AdapShare into real-world deployment scenarios.
- Abstract（参考訳）: Open Radio Access Network (O-RAN)イニシアチブは、オープンインターフェースとAI/ML対応のRAN Intelligent Controller (RIC)によって特徴付けられ、RAN間の効果的なスペクトル共有を促進する。
この文脈では、インテントベースのスペクトル管理に強化学習(RL)を活用するORAN互換のソリューションであるAdapShareを導入する。
RLエージェントを採用することで、AdapShareはインテリジェントにネットワーク要求パターンを学び、リソースを割り当てる。
本稿では,LTE と NR ネットワーク間のスペクトル共有シナリオにおける AdapShare の有効性を実証し,実世界の LTE リソース利用データと合成 NR 利用データを組み合わせることで,その実用性を実証する。
様々なシナリオでシステムの性能を測定するために、平均余剰、赤字、公平度指数を使用します。
AdapShareは、長期のネットワーク需要統計に基づく準静的なリソース割り当てスキーム、特に利用可能なリソースがネットワークからの総需要より少ない場合において、性能が向上する。
最後に,RLエージェントを用いた高レベルのO-RAN互換アーキテクチャを提案する。
関連論文リスト
- Meta Reinforcement Learning Approach for Adaptive Resource Optimization in O-RAN [6.326120268549892]
Open Radio Access Network (O-RAN) は、前例のない効率性と適応性を持つ現代のネットワークの変動要求に対処する。
本稿では,モデルに依存しないメタラーニング(MAML)にインスパイアされたメタ深層強化学習(Meta-DRL)戦略を提案する。
論文 参考訳（メタデータ） (2024-09-30T23:04:30Z) - Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。
HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2024-06-25T07:42:30Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - ProSAS: An O-RAN Approach to Spectrum Sharing between NR and LTE [1.906179410714637]
本稿では,データ駆動型O-RAN互換スペクトル共有ソリューションであるProactive Spectrum Adaptation Scheme (ProSAS)を紹介する。
ProSASは、インテント駆動スペクトル管理のためのインテリジェントな無線リソース需要予測と管理スキームである。
本稿では、実世界のLTEリソース利用データと、合成されたNRデータを用いて、このソリューションの有効性について述べる。
論文 参考訳（メタデータ） (2024-04-14T01:02:19Z) - Safe and Accelerated Deep Reinforcement Learning-based O-RAN Slicing: A
Hybrid Transfer Learning Approach [20.344810727033327]
我々は,DRLをベースとしたO-RANスライシングにおいて,安全かつ迅速な収束を実現するためのハイブリッドTL支援手法を提案し,設計する。
提案されたハイブリッドアプローチは、少なくとも7.7%と20.7%は、平均的な初期報酬値と収束シナリオの割合を改善している。
論文 参考訳（メタデータ） (2023-09-13T18:58:34Z) - Decentralized Learning over Wireless Networks: The Effect of Broadcast
with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。
この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2023-05-12T10:32:26Z) - Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。
また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:42:30Z) - Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文 参考訳（メタデータ） (2023-03-05T12:25:49Z) - Fairness Guaranteed and Auction-based x-haul and Cloud Resource
Allocation in Multi-tenant O-RANs [3.4519649635864584]
本稿では,min-max Fairness と Vickrey-Clarke-Groves (VCG) オークションベースの x-haul と DU-CU リソース割り当て機構の性能を比較検討する。
min-max Fairアプローチは、RUの最大OPEXを、彼らの要求に比例したコスト共有によって最小化するが、VCGオークションベースのアプローチは、利用しているすべてのリソースの合計OPEXを最小化する。
論文 参考訳（メタデータ） (2023-01-02T11:03:50Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - 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)
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。