論文の概要: Towards Scalable O-RAN Resource Management: Graph-Augmented Proximal Policy Optimization

• arxiv url: http://arxiv.org/abs/2509.10499v1
• Date: Mon, 01 Sep 2025 08:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.753351
• Title: Towards Scalable O-RAN Resource Management: Graph-Augmented Proximal Policy Optimization
• Title（参考訳）: スケーラブルなO-RANリソース管理を目指して - グラフ強化されたポリシ最適化
• Authors: Duc-Thinh Ngo, Kandaraj Piamrat, Ons Aouedi, Thomas Hassan, Philippe Raipin-Parvédy,
• Abstract要約: Open Radio Access Network (O-RAN) アーキテクチャは、ベースバンド関数の分離と仮想化によって、柔軟でスケーラブルで費用効率のよいモバイルネットワークを実現する。 この柔軟性は、動的要求と複雑なトポロジの下で、共同機能分割選択とユニット配置最適化を必要とする、リソース管理に重大な課題をもたらす。 本稿では,グラフグラフネットワーク(GNN)をトポロジ対応の特徴抽出とマスキング行動に活用する新しいグラフ構築型ポリシー最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9143713488498514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open Radio Access Network (O-RAN) architectures enable flexible, scalable, and cost-efficient mobile networks by disaggregating and virtualizing baseband functions. However, this flexibility introduces significant challenges for resource management, requiring joint optimization of functional split selection and virtualized unit placement under dynamic demands and complex topologies. Existing solutions often address these aspects separately or lack scalability in large and real-world scenarios. In this work, we propose a novel Graph-Augmented Proximal Policy Optimization (GPPO) framework that leverages Graph Neural Networks (GNNs) for topology-aware feature extraction and integrates action masking to efficiently navigate the combinatorial decision space. Our approach jointly optimizes functional split and placement decisions, capturing the full complexity of O-RAN resource allocation. Extensive experiments on both small-and large-scale O-RAN scenarios demonstrate that GPPO consistently outperforms state-of-the-art baselines, achieving up to 18% lower deployment cost and 25% higher reward in generalization tests, while maintaining perfect reliability. These results highlight the effectiveness and scalability of GPPO for practical O-RAN deployments.
• Abstract（参考訳）: Open Radio Access Network (O-RAN) アーキテクチャは、ベースバンド関数の分離と仮想化によって、柔軟でスケーラブルでコスト効率のよいモバイルネットワークを実現する。 しかし、この柔軟性は、機能分割選択と動的要求と複雑なトポロジの下での仮想単位配置を共同で最適化する必要がある、リソース管理に重大な課題をもたらす。 既存のソリューションは、これらの側面を個別に扱うことや、大規模で現実的なシナリオでのスケーラビリティを欠いていることが多い。 本研究では,グラフニューラルネットワーク(GNN)をトポロジ対応の機能抽出に活用し,アクションマスキングを統合して組合せ決定空間を効率的にナビゲートする,GPPOフレームワークを提案する。 提案手法は機能分割と配置決定を共同で最適化し,O-RANリソース割り当ての複雑さをフルに把握する。 小規模と大規模の両方のO-RANシナリオに対する大規模な実験により、GPPOは一貫して最先端のベースラインを上回り、デプロイコストを最大18%削減し、一般的なテストでは25%高い報酬を達成し、完全な信頼性を維持していることが示された。 これらの結果は,実用的なO-RANデプロイメントにおけるGPPOの有効性と拡張性を強調した。

関連論文リスト

• Generative Diffusion Models for Resource Allocation in Wireless Networks [77.36145730415045]
  我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。 生成したサンプルの逐次実行により,ほぼ最適性能を実現する。 電力制御のケーススタディにおいて数値的な結果を示す。
  論文  参考訳（メタデータ） (2025-04-28T21:44:31Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための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)
• A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC Orchestration [12.914011030970814]
  マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。 本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-12-26T18:04:49Z)
• Flex-Net: A Graph Neural Network Approach to Resource Management in Flexible Duplex Networks [11.89735327420275]
  本研究では,静的時間スケジューリングを伴わないフレキシブルネットワークの総和率について検討する。 NPハードな無線リソース管理問題におけるグラフネットワーク(GNN)の最近の成功により、我々はFlex-Netという新しいGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-20T12:49:21Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• 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)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。