論文の概要: MA-CDMR: An Intelligent Cross-domain Multicast Routing Method based on Multiagent Deep Reinforcement Learning in Multi-domain SDWN
- arxiv url: http://arxiv.org/abs/2409.05888v2
- Date: Wed, 11 Sep 2024 13:52:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 17:44:43.290338
- Title: MA-CDMR: An Intelligent Cross-domain Multicast Routing Method based on Multiagent Deep Reinforcement Learning in Multi-domain SDWN
- Title（参考訳）: MA-CDMR:マルチドメインSDWNにおけるマルチエージェント深層強化学習に基づくインテリジェントクロスドメインマルチキャストルーティング手法
- Authors: Miao Ye, Hongwen Hu, Xiaoli Wang, Yuping Wang, Yong Wang, Wen Peng, Jihao Zheng,
- Abstract要約: 複数のコントローラを持つソフトウェア定義無線ネットワークにおけるクロスドメインマルチキャストルーティングは、古典的なNPハード最適化問題である。
既存のソリューションは、ネットワークトラフィックの状態を検出する能力に制限があり、マルチキャストサービスのサービス品質に影響を与える。
本稿では,マルチコントローラドメインを用いたSDWNのためのマルチエージェント深層強化学習に基づくクロスドメインマルチキャストルーティング手法の設計と実装を目的とする。
- 参考スコア（独自算出の注目度）: 11.292955979869628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The cross-domain multicast routing problem in a software-defined wireless network with multiple controllers is a classic NP-hard optimization problem. As the network size increases, designing and implementing cross-domain multicast routing paths in the network requires not only designing efficient solution algorithms to obtain the optimal cross-domain multicast tree but also ensuring the timely and flexible acquisition and maintenance of global network state information. However, existing solutions have a limited ability to sense the network traffic state, affecting the quality of service of multicast services. In addition, these methods have difficulty adapting to the highly dynamically changing network states and have slow convergence speeds. To this end, this paper aims to design and implement a multiagent deep reinforcement learning based cross-domain multicast routing method for SDWN with multicontroller domains. First, a multicontroller communication mechanism and a multicast group management module are designed to transfer and synchronize network information between different control domains of the SDWN, thus effectively managing the joining and classification of members in the cross-domain multicast group. Second, a theoretical analysis and proof show that the optimal cross-domain multicast tree includes an interdomain multicast tree and an intradomain multicast tree. An agent is established for each controller, and a cooperation mechanism between multiple agents is designed to effectively optimize cross-domain multicast routing and ensure consistency and validity in the representation of network state information for cross-domain multicast routing decisions. Third, a multiagent reinforcement learning-based method that combines online and offline training is designed to reduce the dependence on the real-time environment and increase the convergence speed of multiple agents.
- Abstract（参考訳）: 複数のコントローラを持つソフトウェア定義無線ネットワークにおけるクロスドメインマルチキャストルーティング問題は、古典的なNPハード最適化問題である。
ネットワークサイズが大きくなるにつれて、ネットワーク内のクロスドメインマルチキャストルーティングパスの設計と実装は、最適なクロスドメインマルチキャストツリーを得るための効率的なソリューションアルゴリズムを設計するだけでなく、グローバルなネットワーク状態情報のタイムリーかつ柔軟な取得と保守を確保する必要がある。
しかし、既存のソリューションはネットワークトラフィックの状態を感知する能力が限られており、マルチキャストサービスの品質に影響を及ぼす。
さらに、これらの手法は、高度に動的に変化するネットワーク状態への適応が困難であり、収束速度が遅い。
本研究の目的は,マルチコントローラドメインを用いたSDWNのためのマルチエージェント深層強化学習に基づくクロスドメインマルチキャストルーティング手法の設計と実装である。
まず、SDWNの異なる制御領域間でネットワーク情報を転送・同期するマルチコントローラ通信機構とマルチキャストグループ管理モジュールを設計し、クロスドメインマルチキャストグループのメンバの結合と分類を効果的に管理する。
第2に、理論解析と証明により、最適なクロスドメインマルチキャストツリーは、ドメイン間マルチキャストツリーとドメイン内マルチキャストツリーを含むことを示す。
各コントローラにエージェントを設定し、複数のエージェント間の協調機構を設計し、クロスドメインマルチキャストルーティングを効果的に最適化し、クロスドメインマルチキャストルーティング決定のためのネットワーク状態情報の表現における一貫性と妥当性を確保する。
第3に、オンラインとオフラインのトレーニングを組み合わせたマルチエージェント強化学習法は、リアルタイム環境への依存を減らし、複数のエージェントの収束速度を高めるように設計されている。
関連論文リスト
- Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。
SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。
マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
論文 参考訳（メタデータ） (2024-07-01T09:45:22Z) - Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。
マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。
提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-10-06T02:35:35Z) - DHRL-FNMR: An Intelligent Multicast Routing Approach Based on Deep
Hierarchical Reinforcement Learning in SDN [0.8189319151315168]
Software-Defined Networking (SDN) における最適マルチキャストツリー問題はNPハード最適化問題である。
上記の問題を回避するために,階層的強化学習に基づくインテリジェントマルチキャストルーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-30T14:40:40Z) - Intelligent multicast routing method based on multi-agent deep
reinforcement learning in SDWN [4.521033397097599]
マルチキャスト通信技術は、デバイス密度の高い無線環境に広く応用されている。
本稿では,ソフトウェア定義無線ネットワーク(SDWN)環境におけるマルチエージェント深部強化学習(MADRL-MR)に基づく新しいマルチキャストルーティング手法を提案する。
シミュレーション実験により,MADRL-MRはスループット,遅延,パケット損失率などの観点から,既存のアルゴリズム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） (2023-05-12T14:05:03Z) - Multi-Flow Transmission in Wireless Interference Networks: A Convergent
Graph Learning Approach [9.852567834643292]
ネットワークデータ信号の2段階干渉対応マルチフロー最適化(DIAMOND)という新しいアルゴリズムを提案する。
集中型ステージは、グラフニューラルネットワーク(GNN)強化学習(RL)ルーティングエージェントの新しい設計を用いて、マルチフロー伝送戦略を計算する。
そして、分散学習更新の新しい設計に基づいて、分散ステージにより性能が向上する。
論文 参考訳（メタデータ） (2023-03-27T18:49:47Z) - Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。
MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。
実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文 参考訳（メタデータ） (2022-09-30T03:40:10Z) - DRL-M4MR: An Intelligent Multicast Routing Approach Based on DQN Deep
Reinforcement Learning in SDN [4.904736570736502]
ソフトウェア定義ネットワーク(SDN)における最適マルチキャストルーティング問題は、多目的最適化問題として最適化される。
深部Qネットワーク(DQN)深部強化学習(DRL)法に基づくインテリジェントマルチキャストルーティングアルゴリズムDRL-M4MRはSDNでマルチキャストツリーを構築するために設計されている。
実験の結果,DRL-M4MRによるマルチキャストツリー構築は,既存のアルゴリズムと比較して,トレーニング後の帯域幅,遅延,パケット損失率を向上できることがわかった。
論文 参考訳（メタデータ） (2022-07-31T07:33:54Z) - Optimal transport in multilayer networks [68.8204255655161]
本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。
アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。
この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
論文 参考訳（メタデータ） (2021-06-14T07:33:09Z) - Multi-path Neural Networks for On-device Multi-domain Visual
Classification [55.281139434736254]
本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。
提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。
決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
論文 参考訳（メタデータ） (2020-10-10T05:13:49Z) - Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-03-29T04:31:43Z)
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。