論文の概要: Network Diffuser for Placing-Scheduling Service Function Chains with Inverse Demonstration

• arxiv url: http://arxiv.org/abs/2501.05673v1
• Date: Fri, 10 Jan 2025 02:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:46.327149
• Title: Network Diffuser for Placing-Scheduling Service Function Chains with Inverse Demonstration
• Title（参考訳）: 逆演示を伴う格子型サービス関数チェインのためのネットワークディフューザ
• Authors: Zuyuan Zhang, Vaneet Aggarwal, Tian Lan,
• Abstract要約: Service Function Chains (SFC) は、SFC (Service Function Chains) として知られる、チェーンアップされた仮想ネットワーク機能と関連するトラフィックフローである。 オンライン方式でSFCのシーケンシャルな到着に対処するには、SFCをネットワーク内のサーバ/リンクにマップするSFC配置問題と、各SFCの実行時期を決定するSFCスケジューリング問題という、密接に結合した2つの問題を考える必要がある。 生成AIと拡散モデルの最近の進歩により、言語記述から高品質な画像/ビデオと決定軌道を生成することが可能になった。
• 参考スコア（独自算出の注目度）: 46.98496077944134
• License:
• Abstract: Network services are increasingly managed by considering chained-up virtual network functions and relevant traffic flows, known as the Service Function Chains (SFCs). To deal with sequential arrivals of SFCs in an online fashion, we must consider two closely-coupled problems - an SFC placement problem that maps SFCs to servers/links in the network and an SFC scheduling problem that determines when each SFC is executed. Solving the whole SFC problem targeting these two optimizations jointly is extremely challenging. In this paper, we propose a novel network diffuser using conditional generative modeling for this SFC placing-scheduling optimization. Recent advances in generative AI and diffusion models have made it possible to generate high-quality images/videos and decision trajectories from language description. We formulate the SFC optimization as a problem of generating a state sequence for planning and perform graph diffusion on the state trajectories to enable extraction of SFC decisions, with SFC optimization constraints and objectives as conditions. To address the lack of demonstration data due to NP-hardness and exponential problem space of the SFC optimization, we also propose a novel and somewhat maverick approach -- Rather than solving instances of this difficult optimization, we start with randomly-generated solutions as input, and then determine appropriate SFC optimization problems that render these solutions feasible. This inverse demonstration enables us to obtain sufficient expert demonstrations, i.e., problem-solution pairs, through further optimization. In our numerical evaluations, the proposed network diffuser outperforms learning and heuristic baselines, by $\sim$20\% improvement in SFC reward and $\sim$50\% reduction in SFC waiting time and blocking rate.
• Abstract（参考訳）: ネットワークサービスは、チェーンアップされた仮想ネットワーク機能と、サービス機能チェーン(SFC)として知られる関連するトラフィックフローを考慮して、ますます管理されている。 オンライン方式でSFCのシーケンシャルな到着に対処するには、SFCをネットワーク内のサーバ/リンクにマップするSFC配置問題と、各SFCの実行時期を決定するSFCスケジューリング問題という、密接に結合した2つの問題を考える必要がある。 これら2つの最適化を併用したSFC問題の解決は極めて困難である。 本稿では,SFC配置スケジューリング最適化のための条件付き生成モデルを用いた新しいネットワークディフューザを提案する。 生成AIと拡散モデルの最近の進歩により、言語記述から高品質な画像/ビデオと決定軌道を生成することが可能になった。 我々は、SFC最適化を、状態軌道上でグラフ拡散を計画・実行するための状態列を生成する問題として定式化し、SFC最適化の制約と目的を条件として、SFC決定の抽出を可能にする。 SFC最適化のNPハードネスと指数的問題空間による実演データの欠如に対処するため、我々はまた、この難解な最適化のインスタンスを解くのではなく、ランダムに生成したソリューションを入力として解き、これらのソリューションを実現するための適切なSFC最適化問題を決定するという、斬新でややマベリックなアプローチを提案する。 この逆の実証により、さらなる最適化により十分な専門的な実証、すなわち問題解対を得ることができる。 提案したネットワークディフューザは,SFC報酬の$\sim$20\%,SFC待ち時間とブロッキングレートの$\sim$50\%の改善により,学習とヒューリスティックベースラインよりも優れる。

関連論文リスト

• Optimizing Service Function Chain Mapping in Network Function Virtualization through Simultaneous NF Decomposition and VNF Placement [0.0]
  非支配的ソート遺伝的多目的アルゴリズム(GANSII)に基づく多目的分解とマッピングVNF(MODMVNF)手法を提案する。 目的は、SFCのマッピングコストと通信遅延を最小限に抑えるため、物理ネットワーク上のほぼ最適分解とマッピングを同時に見つけることである。
  論文  参考訳（メタデータ） (2024-11-12T07:26:51Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習す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） (2024-08-13T07:56:21Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマーク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） (2023-08-04T04:18:01Z)
• Neural Quantile Optimization for Edge-Cloud Networking [13.509945075582447]
  我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。 本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。 トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
  論文  参考訳（メタデータ） (2023-07-11T11:05:10Z)
• Over-the-Air Federated Learning via Second-Order Optimization [37.594140209854906]
  フェデレートラーニング(FL)は、無線ネットワーク上でのタスク指向のデータトラフィックを、限られた無線リソースによって引き起こす可能性がある。 本稿では,通信ラウンドを同時に削減し,低レイテンシなグローバルモデルアグリゲーションを実現するために,空対2次フェデレーション最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-29T12:39:23Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• ZoPE: A Fast Optimizer for ReLU Networks with Low-Dimensional Inputs [30.34898838361206]
  低次元入力を持つフィードフォワードReLUネットワークの出力に対する最適化問題を解くZoPEアルゴリズムを提案する。 我々はZoPEを用いて、ACAS Xuニューラルネットワーク検証ベンチマークのプロパティ1における25倍の高速化と、一連の線形最適化問題に対する85倍の高速化を観察した。
  論文  参考訳（メタデータ） (2021-06-09T18:36:41Z)

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。