Fugu-MT 論文翻訳(概要): Reinforcement Learning-based Adaptive Path Selection for Programmable Networks

論文の概要: Reinforcement Learning-based Adaptive Path Selection for Programmable Networks

arxiv url: http://arxiv.org/abs/2508.13806v1
Date: Tue, 19 Aug 2025 13:12:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-20 15:36:31.928985
Title: Reinforcement Learning-based Adaptive Path Selection for Programmable Networks
Title（参考訳）: 強化学習に基づくプログラマブルネットワークのための適応経路選択
Authors: José Eduardo Zerna Torres, Marios Avgeris, Chrysa Papagianni, Gergely Pongrácz, István Gódor, Paola Grosso,
Abstract要約: 本研究は,プログラマブルネットワークにおける適応経路選択のための分散ネットワーク内強化学習フレームワークの概念実証実装を提案する。 In-Band Network Telemetry (INT) を用いて収集したリアルタイムテレメトリデータとLearning Automata (SLA) を組み合わせることで, 局所的かつデータ駆動型決定が混雑条件に動的に適応することを可能にする。
参考スコア（独自算出の注目度）: 0.2089112028396726
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work presents a proof-of-concept implementation of a distributed, in-network reinforcement learning (IN-RL) framework for adaptive path selection in programmable networks. By combining Stochastic Learning Automata (SLA) with real-time telemetry data collected via In-Band Network Telemetry (INT), the proposed system enables local, data-driven forwarding decisions that adapt dynamically to congestion conditions. The system is evaluated on a Mininet-based testbed using P4-programmable BMv2 switches, demonstrating how our SLA-based mechanism converges to effective path selections and adapts to shifting network conditions at line rate.
Abstract（参考訳）: 本研究は、プログラム可能なネットワークにおける適応経路選択のための分散ネットワーク内強化学習(IN-RL)フレームワークの概念実証実装を提案する。 In-Band Network Telemetry (INT) を用いて収集したリアルタイムテレメトリデータとSLA(Stochastic Learning Automata)を組み合わせることで,局所的,データ駆動型のフォワード決定を混雑条件に動的に適応させることができる。このシステムはP4プログラマブルBMv2スイッチを用いてミニネットベースのテストベッド上で評価され、SLAベースのメカニズムが有効な経路選択にどのように収束し、回線レートでネットワーク条件のシフトに適応するかを示す。

関連論文リスト

Enhancing Traffic Signal Control through Model-based Reinforcement Learning and Policy Reuse [0.9995933996287355]
マルチエージェント強化学習(MARL)は交通信号制御(TSC)において有意な可能性を示した現在のMARLベースの手法は、訓練中に使用する固定された交通パターンと道路網条件により、一般化が不十分な場合が多い。この制限により、新しいトラフィックシナリオへの適応性が低下し、高い再トレーニングコストと複雑なデプロイメントが発生します。我々はPLightとPRLightの2つのアルゴリズムを提案する。PLightはモデルに基づく強化学習アプローチを採用し、事前定義されたソースドメイントラフィックシナリオを用いて制御ポリシーと環境モデルを事前訓練する。PRLightはさらに、事前学習されたPLightエージェントの類似性に基づいて適応性を向上させる。
論文参考訳（メタデータ） (2025-03-11T01:21:13Z)
Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
論文参考訳（メタデータ） (2025-03-05T18:44:56Z)
Joint Optimal Transport and Embedding for Network Alignment [66.49765320358361]
本稿では,JOENA というネットワークアライメントのための統合最適トランスポートおよび埋め込みフレームワークを提案する。統一された目的により、両手法の相互利益は、コンバージェンスを保証する最適化スキーマの交互化によって達成できる。実世界のネットワークの実験はJOENAの有効性とスケーラビリティを検証し、最大16%の改善と20倍の高速化を実現した。
論文参考訳（メタデータ） (2025-02-26T17:28:08Z)
Reinforcement-Learning based routing for packet-optical networks with hybrid telemetry [0.3848364262836075]
このアルゴリズムは,FEC前BERで測定したリンク負荷変化やリンク劣化に対する最適ポリシーを再計算することにより,ネットワーク条件の変化に動的に適応することを示した。
論文参考訳（メタデータ） (2024-06-18T13:32:12Z)
Decentralized Channel Management in WLANs with Graph Neural Networks [17.464353263281907]
無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。本稿では,分散的に実装可能な学習型ソリューションを提案する。
論文参考訳（メタデータ） (2022-10-30T21:14:45Z)
Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
論文参考訳（メタデータ） (2022-03-07T19:40:39Z)
Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文参考訳（メタデータ） (2021-06-15T09:03:28Z)
Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文参考訳（メタデータ） (2020-08-06T12:37:14Z)
Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文参考訳（メタデータ） (2020-06-26T14:20:48Z)
TS-MPC for Autonomous Vehicle using a Learning Approach [0.0]
車両力学の高木スジェノ(TS)表現をデータ駆動で学習する。 TSモデリングに対処するために、適応型ニューロファジィ推論システム(ANFIS)を用いる。提案手法は,外部プランナのレースベース参照とMHEからの推定により提案される。
論文参考訳（メタデータ） (2020-04-29T17:42:33Z)

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。