論文の概要: Service Placement in Small Cell Networks Using Distributed Best Arm Identification in Linear Bandits

• arxiv url: http://arxiv.org/abs/2506.22480v1
• Date: Sun, 22 Jun 2025 12:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.402554
• Title: Service Placement in Small Cell Networks Using Distributed Best Arm Identification in Linear Bandits
• Title（参考訳）: 線形帯域における分散ベストアーム同定を用いた小セルネットワークにおけるサービス配置
• Authors: Mariam Yahya, Aydin Sezgin, Setareh Maghsudi,
• Abstract要約: 小型基地局(SBS)は、低遅延サービス配信を可能にするエッジサーバとして機能する。 エッジ容量の制限により、ローカルにデプロイするサービスとクラウドにデプロイするサービスを決定するのが難しくなる。 固定信頼条件下で分散適応型マルチエージェント・ベストアーム識別(BAI)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 11.92409456846963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As users in small cell networks increasingly rely on computation-intensive services, cloud-based access often results in high latency. Multi-access edge computing (MEC) mitigates this by bringing computational resources closer to end users, with small base stations (SBSs) serving as edge servers to enable low-latency service delivery. However, limited edge capacity makes it challenging to decide which services to deploy locally versus in the cloud, especially under unknown service demand and dynamic network conditions. To tackle this problem, we model service demand as a linear function of service attributes and formulate the service placement task as a linear bandit problem, where SBSs act as agents and services as arms. The goal is to identify the service that, when placed at the edge, offers the greatest reduction in total user delay compared to cloud deployment. We propose a distributed and adaptive multi-agent best-arm identification (BAI) algorithm under a fixed-confidence setting, where SBSs collaborate to accelerate learning. Simulations show that our algorithm identifies the optimal service with the desired confidence and achieves near-optimal speedup, as the number of learning rounds decreases proportionally with the number of SBSs. We also provide theoretical analysis of the algorithm's sample complexity and communication overhead.
• Abstract（参考訳）: 小さなセルネットワークのユーザは計算集約的なサービスにますます依存しているため、クラウドベースのアクセスは高いレイテンシをもたらすことが多い。 マルチアクセスエッジコンピューティング(MEC)は、エッジサーバとして機能する小さなベースステーション(SBS)によって、計算リソースをエンドユーザに近づけることで、これを緩和する。 しかしながら、エッジ容量の制限により、特に未知のサービス要求や動的ネットワーク条件下で、ローカルにデプロイするか、クラウドにデプロイするかを決定するのが難しくなる。 この問題に対処するため,サービス要求をサービス属性の線形関数としてモデル化し,サービス配置タスクを線形帯域問題として定式化する。 目的は、エッジに置くと、クラウドデプロイメントと比較して、ユーザ全体の遅延を最大に削減するサービスを特定することだ。 本稿では,SBSが協調して学習を促進する固定信頼設定の下で,分散適応型マルチエージェント・ベストアーム識別(BAI)アルゴリズムを提案する。 シミュレーションの結果,学習ラウンド数はSBSの数に比例して減少するため,提案アルゴリズムは所望の信頼度で最適サービスを識別し,ほぼ最適に高速化することがわかった。 また,アルゴリズムの複雑さと通信オーバーヘッドを理論的に解析する。

関連論文リスト

• Microservice Deployment in Space Computing Power Networks via Robust Reinforcement Learning [43.96374556275842]
  低レイテンシ要件を満たすために、信頼性の高いリアルタイムリモートセンシングサービスを提供することが重要である。 本稿では、低地球軌道衛星コンステレーション用に設計されたリモートセンシング人工知能アプリケーションデプロイメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-08T16:55:04Z)
• SafeTail: Efficient Tail Latency Optimization in Edge Service Scheduling via Computational Redundancy Management [2.707215971599082]
  拡張現実のような新興アプリケーションは、ユーザデバイスに高い信頼性を持つ低レイテンシコンピューティングサービスを必要とする。 私たちはSafeTailを紹介した。これは中央値と末尾の応答時間の両方の目標を満たすフレームワークで、テールレイテンシは90%以上のレイテンシで定義されています。
  論文  参考訳（メタデータ） (2024-08-30T10:17:37Z)
• QoS-Aware Service Prediction and Orchestration in Cloud-Network Integrated Beyond 5G [11.864695986880347]
  本稿では,レイテンシを増大させながら全体のコストを最小化することを目的として,最適化問題を定式化する非線形プログラミングモデルを提案する。 RNNを用いたDDQLベースの手法を導入し,サービス配置のための水充填方式のアルゴリズムを用いてユーザ行動を予測する。
  論文  参考訳（メタデータ） (2023-09-18T22:24:42Z)
• DeepScaler: Holistic Autoscaling for Microservices Based on Spatiotemporal GNN with Adaptive Graph Learning [4.128665560397244]
  本稿では,ディープラーニングに基づく総合的オートスケーリング手法であるDeepScalerを提案する。 サービスレベルの合意(SLA)とコスト効率を最適化するために、サービス依存関係に対処することに焦点を当てています。 実験により,本手法はマイクロサービスのより効率的な自動スケーリング機構を実装していることが示された。
  論文  参考訳（メタデータ） (2023-09-02T08:22:21Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• BSAC-CoEx: Coexistence of URLLC and Distributed Learning Services via Device Selection [46.59702442756128]
  高優先度の超信頼性低レイテンシ通信(URLLC)と低優先度の分散学習サービスは、ネットワーク上で並列に実行される。 我々はこの問題をマルコフ決定プロセスとして定式化し、分岐ソフトアクター・クリティック(BSAC)アルゴリズムに基づくフレームワークであるBSAC-CoExを用いて対処する。 当社のソリューションは,必要なしきい値を超えるURLLCを保ちながら,分散学習サービスのトレーニング遅延を大幅に低減することができる。
  論文  参考訳（メタデータ） (2022-12-22T15:36:15Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Hierarchical Quantized Federated Learning: Convergence Analysis and System Design [7.481427303081613]
  フェデレーション学習は、クライアントのプライベートデータなしでディープニューラルネットワークをトレーニングするコラボレーティブマシンである。 以前の作業は、クラウドまたはエッジで1つの中央パラメータを仮定します。 本稿では,両クラウドサーバの利点を活用し,階層型量子化フェデレート学習システムについて考察する。
  論文  参考訳（メタデータ） (2021-03-26T05:48:36Z)
• Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
  統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。 FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。 本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-07-05T12:32:32Z)

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。