論文の概要: Prioritizing Latency with Profit: A DRL-Based Admission Control for 5G Network Slices

• arxiv url: http://arxiv.org/abs/2510.08769v1
• Date: Thu, 09 Oct 2025 19:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.608077
• Title: Prioritizing Latency with Profit: A DRL-Based Admission Control for 5G Network Slices
• Title（参考訳）: 利益によるレイテンシの優先順位付け:5GネットワークスライスのためのDRLベースのアドミッション制御
• Authors: Proggya Chakraborty, Aaquib Asrar, Jayasree Sengupta, Sipra Das Bit,
• Abstract要約: 5Gネットワークは、eMBB、URLLC、mMTCなどの多様なサービスをネットワークスライシングによって実現している。 遅延・利益を考慮したスライス適応制御方式であるDePSACを提案する。 我々のDRLベースのアプローチは遅延認識型報酬関数を取り入れており、サービス遅延による罰則が遅延クリティカルスライスの優先順位付けを動機付ける。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 5G networks enable diverse services such as eMBB, URLLC, and mMTC through network slicing, necessitating intelligent admission control and resource allocation to meet stringent QoS requirements while maximizing Network Service Provider (NSP) profits. However, existing Deep Reinforcement Learning (DRL) frameworks focus primarily on profit optimization without explicitly accounting for service delay, potentially leading to QoS violations for latency-sensitive slices. Moreover, commonly used epsilon-greedy exploration of DRL often results in unstable convergence and suboptimal policy learning. To address these gaps, we propose DePSAC -- a Delay and Profit-aware Slice Admission Control scheme. Our DRL-based approach incorporates a delay-aware reward function, where penalties due to service delay incentivize the prioritization of latency-critical slices such as URLLC. Additionally, we employ Boltzmann exploration to achieve smoother and faster convergence. We implement and evaluate DePSAC on a simulated 5G core network substrate with realistic Network Slice Request (NSLR) arrival patterns. Experimental results demonstrate that our method outperforms the DSARA baseline in terms of overall profit, reduced URLLC slice delays, improved acceptance rates, and improved resource consumption. These findings validate the effectiveness of the proposed DePSAC in achieving better QoS-profit trade-offs for practical 5G network slicing scenarios.
• Abstract（参考訳）: 5Gネットワークは、ネットワークスライシングによるeMBB、URLLC、mMTCなどの多様なサービスを可能にし、ネットワークサービスプロバイダ(NSP)利益を最大化しながら、厳密なQoS要求を満たすためにインテリジェントな入出力制御とリソース割り当てを必要とする。 しかし、既存のDeep Reinforcement Learning (DRL)フレームワークは、サービス遅延を明示的に考慮せずに利益の最適化に重点を置いている。 さらに、一般的に用いられるエプシロン・グリードによるDRL探索は、しばしば不安定な収束と準最適政策学習をもたらす。 これらのギャップに対処するため、我々はDePSAC(Delay and Profit-aware Slice Admission Control scheme)を提案する。 DRLをベースとしたアプローチでは,サービス遅延によるペナルティがURLLCなどの遅延クリティカルスライスの優先順位付けを動機付ける遅延対応報酬関数が組み込まれている。 さらに、よりスムーズで高速な収束を達成するためにボルツマン探索を用いる。 我々は,実効的なネットワークスライス要求(NSLR)の到着パターンを模擬した5Gコアネットワーク基板上でDePSACを実装し,評価する。 実験結果から,本手法は全体の利益率,URLLCスライス遅延の低減,受入率の向上,資源消費の改善といった点においてDSARAベースラインを上回っていることがわかった。 これらの結果は,実用的な5Gネットワークスライシングシナリオにおいて,QoSとQoSのトレードオフを改善する上でのDePSACの有効性を検証した。

関連論文リスト

• Dynamic Speculative Agent Planning [57.630218933994534]
  大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。 本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。 2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
  論文  参考訳（メタデータ） (2025-09-02T03:34:36Z)
• VinePPO: Refining Credit Assignment in RL Training of LLMs [66.80143024475635]
  我々は,言語環境の柔軟性を利用してモンテカルロをベースとした推定値を計算する,簡単なアプローチであるVinePPOを提案する。 本手法は,MATHおよびGSM8Kデータセット間のPPOおよび他のベースラインをウォールクロック時間以下で連続的に上回る。
  論文  参考訳（メタデータ） (2024-10-02T15:49:30Z)
• Digital Twin Assisted Deep Reinforcement Learning for Online Admission Control in Sliced Network [19.152875040151976]
  この問題に対処するために、ディジタルツイン(DT)高速化DRLソリューションを提案する。 ニューラルネットワークベースのDTは、システムをキューイングするためのカスタマイズされた出力層を備え、教師付き学習を通じてトレーニングされ、DRLモデルのトレーニングフェーズを支援するために使用される。 DT加速DRLは、直接訓練された最先端Q-ラーニングモデルと比較して、リソース利用率を40%以上向上させる。
  論文  参考訳（メタデータ） (2023-10-07T09:09:19Z)
• 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)
• Accuracy-Guaranteed Collaborative DNN Inference in Industrial IoT via Deep Reinforcement Learning [10.223526707269537]
  計算集約型ディープニューラルネットワーク(DNN)推論サービスをサポートするためには,IoT(Industrial Internet of Things)デバイスとエッジネットワークのコラボレーションが不可欠だ。 本稿では,産業用IoTネットワークにおける協調推論問題について検討する。
  論文  参考訳（メタデータ） (2022-12-31T05:53:17Z)
• A Graph Neural Networks based Framework for Topology-Aware Proactive SLA Management in a Latency Critical NFV Application Use-case [0.34376560669160383]
  5Gと6Gの最近の進歩は、ネットワークシリーズ(NFV)によって実現される遅延クリティカルなアプリケーションの出現につながっている。 本稿では,グラフニューラルネットワーク(GNN)と深層強化学習(DRL)を活用して,効率性と信頼性のトレードオフをバランスさせる,積極的なSLA管理フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T23:22:05Z)
• DRL-based Slice Placement under Realistic Network Load Conditions [0.8459686722437155]
  本稿では,Deep Reinforcement Learning(DRL)に基づくネットワークスライス配置最適化手法を提案する。 このソリューションは大規模かつ静止しない交通条件下でのネットワーク(すなわちネットワーク負荷)に適応する。 提案手法の適用性と,非制御DRLソリューションよりも高い,安定した性能を示す。
  論文  参考訳（メタデータ） (2021-09-27T07:58:45Z)

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。