Fugu-MT 論文翻訳(概要): Analysis of flexible traffic control method in SDN

論文の概要: Analysis of flexible traffic control method in SDN

arxiv url: http://arxiv.org/abs/2409.11436v1
Date: Sun, 15 Sep 2024 18:09:59 GMT
ステータス: 処理完了
システム内更新日: 2024-09-19 22:12:27.455204
Title: Analysis of flexible traffic control method in SDN
Title（参考訳）: SDNにおけるフレキシブルトラフィック制御法の解析
Authors: Marta Szymczyk,
Abstract要約: このプロジェクトでは、ネットワークの自律的な決定を可能にする、現代的なタイプの機械学習であるReinforcement Learningを使用している。このソリューションは、ネットワークのパフォーマンス向上だけでなく、その柔軟性とリアルタイム適応性 - 柔軟なトラフィック制御も目標としている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The aim of this paper is to analyze methods of flexible control in SDN networks and to propose a self-developed solution that will enable intelligent adaptation of SDN controller performance. This work aims not only to review existing solutions, but also to develop an approach that will increase the efficiency and adaptability of network management. The project uses a modern type of machine learning, Reinforcement Learning, which allows autonomous decisions of a network that learns based on its choices in a dynamically changing environment, which is most similar to the way humans learn. The solution aims not only to improve the network's performance, but also its flexibility and real-time adaptability - flexible traffic control.
Abstract（参考訳）: 本研究の目的は、SDNネットワークにおけるフレキシブル制御の手法を分析し、SDNコントローラ性能のインテリジェントな適応を可能にする自己開発ソリューションを提案することである。この研究は、既存のソリューションをレビューするだけでなく、ネットワーク管理の効率性と適応性を高めるアプローチを開発することを目的としている。このプロジェクトでは、動的に変化する環境で選択に基づいて学習するネットワークの自律的な決定を可能にする、現代的なタイプの機械学習であるReinforcement Learningを使用している。このソリューションは、ネットワークのパフォーマンス向上だけでなく、その柔軟性とリアルタイム適応性、フレキシブルなトラフィック制御も目標としている。

関連論文リスト

Resource Governance in Networked Systems via Integrated Variational Autoencoders and Reinforcement Learning [0.8287206589886879]
本稿では,変分オートエンコーダ(VAE)と強化学習(RL)を統合し,システム性能のバランスをとるフレームワークを提案する。この手法の重要な革新は、ネットワーク構造の広大なアクション空間を扱う能力である。
論文参考訳（メタデータ） (2024-10-30T18:57:02Z)
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)
Attention-based Open RAN Slice Management using Deep Reinforcement Learning [6.177038245239758]
本稿では,O-RAN分散化モジュールと分散エージェント協調を利用した,革新的アテンションベースディープRL(ADRL)技術を提案する。シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
論文参考訳（メタデータ） (2023-06-15T20:37:19Z)
Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-08-30T17:00:53Z)
Learning To Estimate Regions Of Attraction Of Autonomous Dynamical Systems Using Physics-Informed Neural Networks [0.0]
制御された自律力学系のアトラクション領域(ROA)を推定するためにニューラルネットワークを訓練する。この安全ネットワークは、提案した制御行動の相対的安全性を定量化し、損傷行為の選択を防止するために使用できる。今後の研究では、運動学習タスクにおける強化学習エージェントにこの手法を適用する予定である。
論文参考訳（メタデータ） (2021-11-18T19:58:47Z)
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)
Cellular traffic offloading via Opportunistic Networking with Reinforcement Learning [0.5758073912084364]
本稿では,Reinforcement Learningフレームワークに基づく適応型オフロードソリューションを提案する。 Actor-Critic と Q-Learning の2つのよく知られた学習アルゴリズムの性能を評価し比較する。我々のソリューションは、他の最先端のアプローチよりも高いレベルのオフロードを実現する。
論文参考訳（メタデータ） (2021-10-01T13:34:12Z)
Adaptive Serverless Learning [114.36410688552579]
本研究では,データから学習率を動的に計算できる適応型分散学習手法を提案する。提案アルゴリズムは, 作業者数に対して線形高速化が可能であることを示す。通信効率のオーバーヘッドを低減するため,通信効率のよい分散訓練手法を提案する。
論文参考訳（メタデータ） (2020-08-24T13:23:02Z)
Learning High-Level Policies for Model Predictive Control [54.00297896763184]
Model Predictive Control (MPC)は、ロボット制御タスクに対する堅牢なソリューションを提供する。ニューラルネットワークの高レベルポリシーを学習するための自己教師付き学習アルゴリズムを提案する。提案手法は, 標準的なMPCでは困難な状況に対処できることを示す。
論文参考訳（メタデータ） (2020-07-20T17:12:34Z)
Exploring Model Robustness with Adaptive Networks and Improved Adversarial Training [56.82000424924979]
入力サンプルに条件付きでネットワークを適応させる条件正規化モジュールを提案する。適応的ネットワークは、一度逆さまに訓練された場合、クリーンな検証精度と堅牢性の両方において、適応的でないネットワークよりも優れています。
論文参考訳（メタデータ） (2020-05-30T23:23:56Z)
Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。