論文の概要: Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2509.14343v1
• Date: Wed, 17 Sep 2025 18:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:52.938476
• Title: Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いた5G O-RANにおけるQoS最適化のための準リアルタイム資源スライシング
• Authors: Peihao Yan, Jie Lu, Huacheng Zeng, Y. Thomas Hou,
• Abstract要約: 本稿では,5G O-RANのNear-Real-Time (Near-RT) RAN Intelligent Controller (RIC) のためのxSliceと呼ばれるxAppを提案する。 xSliceは、動的ネットワーク状態に応じてMAC層リソース割り当てを適応的に調整するオンライン学習アルゴリズムである。 実験の結果、xSliceは最先端のソリューションと比較して、パフォーマンスの後悔を67%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 19.02610605908148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-Radio Access Network (O-RAN) has become an important paradigm for 5G and beyond radio access networks. This paper presents an xApp called xSlice for the Near-Real-Time (Near-RT) RAN Intelligent Controller (RIC) of 5G O-RANs. xSlice is an online learning algorithm that adaptively adjusts MAC-layer resource allocation in response to dynamic network states, including time-varying wireless channel conditions, user mobility, traffic fluctuations, and changes in user demand. To address these network dynamics, we first formulate the Quality-of-Service (QoS) optimization problem as a regret minimization problem by quantifying the QoS demands of all traffic sessions through weighting their throughput, latency, and reliability. We then develop a deep reinforcement learning (DRL) framework that utilizes an actor-critic model to combine the advantages of both value-based and policy-based updating methods. A graph convolutional network (GCN) is incorporated as a component of the DRL framework for graph embedding of RAN data, enabling xSlice to handle a dynamic number of traffic sessions. We have implemented xSlice on an O-RAN testbed with 10 smartphones and conducted extensive experiments to evaluate its performance in realistic scenarios. Experimental results show that xSlice can reduce performance regret by 67% compared to the state-of-the-art solutions. Source code is available on GitHub [1].
• Abstract（参考訳）: Open-Radio Access Network (O-RAN) は5Gおよび無線アクセスネットワークを超えて重要なパラダイムとなっている。 本稿では,5G O-RANのNear-Real-Time (Near-RT) RAN Intelligent Controller (RIC) のためのxSliceと呼ばれるxAppを提案する。 xSliceは、動的ネットワーク状態に応じてMAC層リソース割り当てを適応的に調整するオンライン学習アルゴリズムである。 これらのネットワーク力学に対処するために、まず、スループット、レイテンシ、信頼性を重み付け、全トラフィックセッションのQoS要求を定量化することで、QoS最適化問題を後悔の最小化問題として定式化する。 そこで我々は,アクター批判モデルを利用した深層強化学習(DRL)フレームワークを開発し,価値ベースとポリシーベースの更新手法の利点を組み合わせた。 RANデータのグラフ埋め込みのためのDRLフレームワークのコンポーネントとして、グラフ畳み込みネットワーク(GCN)が組み込まれ、xSliceは動的数のトラフィックセッションを処理することができる。 我々は,10台のスマートフォンを用いたO-RANテストベッドにxSliceを実装し,現実的なシナリオにおいてその性能を評価するための広範囲な実験を行った。 実験の結果、xSliceは最先端のソリューションと比較して、パフォーマンスの後悔を67%削減できることがわかった。 ソースコードはGitHub [1]で入手できる。

関連論文リスト

• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning [7.473473066047965]
  本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。 シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。 これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
  論文  参考訳（メタデータ） (2024-01-12T22:43:07Z)
• Generalizable Resource Scaling of 5G Slices using Constrained Reinforcement Learning [2.0024258465343268]
  ネットワークスライシングは、5Gが様々なアプリケーションをサポートするための重要なイネーブルである。 5G インフラストラクチャプロバイダ (InP) は,スライストラフィックに応じて適切なリソースを割り当てることが必須である。
  論文  参考訳（メタデータ） (2023-06-15T17:16:34Z)
• Programmable and Customized Intelligence for Traffic Steering in 5G Networks Using Open RAN Architectures [16.48682480842328]
  5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。 無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。 クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:31:06Z)
• Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
  フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。 LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
  論文  参考訳（メタデータ） (2022-09-13T10:39:41Z)
• Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
  渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。 現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。 我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
  論文  参考訳（メタデータ） (2022-07-05T20:42:24Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
  渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。 今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。 実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。 本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T13:49:28Z)
• Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
  エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。 クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。 本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:30:08Z)

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。