論文の概要: Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6G Networks

• arxiv url: http://arxiv.org/abs/2510.11109v1
• Date: Mon, 13 Oct 2025 08:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.253304
• Title: Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6G Networks
• Title（参考訳）: 6Gネットワークにおけるオンデマンドストリーミングサービスのためのグラフニューラルネットワークに基づくマルチキャストルーティング
• Authors: Xiucheng Wang, Zien Wang, Nan Cheng, Wenchao Xu, Wei Quan, Xuemin Shen,
• Abstract要約: 本稿では,GNNベースのマルチキャストルーティングフレームワークを提案する。 提案手法は、計算複雑性を著しく低減しつつ、最適な動的プログラムベースの解を近似する。 また,大規模および動的ネットワークトポロジへの強力な一般化も確認し,6Gマルチメディア配信シナリオにおけるリアルタイム展開の可能性を強調した。
• 参考スコア（独自算出の注目度）: 43.88530200050682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increase of bandwidth-intensive applications in sixth-generation (6G) wireless networks, such as real-time volumetric streaming and multi-sensory extended reality, demands intelligent multicast routing solutions capable of delivering differentiated quality-of-service (QoS) at scale. Traditional shortest-path and multicast routing algorithms are either computationally prohibitive or structurally rigid, and they often fail to support heterogeneous user demands, leading to suboptimal resource utilization. Neural network-based approaches, while offering improved inference speed, typically lack topological generalization and scalability. To address these limitations, this paper presents a graph neural network (GNN)-based multicast routing framework that jointly minimizes total transmission cost and supports user-specific video quality requirements. The routing problem is formulated as a constrained minimum-flow optimization task, and a reinforcement learning algorithm is developed to sequentially construct efficient multicast trees by reusing paths and adapting to network dynamics. A graph attention network (GAT) is employed as the encoder to extract context-aware node embeddings, while a long short-term memory (LSTM) module models the sequential dependencies in routing decisions. Extensive simulations demonstrate that the proposed method closely approximates optimal dynamic programming-based solutions while significantly reducing computational complexity. The results also confirm strong generalization to large-scale and dynamic network topologies, highlighting the method's potential for real-time deployment in 6G multimedia delivery scenarios. Code is available at https://github.com/UNIC-Lab/GNN-Routing.
• Abstract（参考訳）: リアルタイムボリュームストリーミングやマルチセンサ拡張現実のような第6世代(6G)無線ネットワークにおける帯域幅集約型アプリケーションの増加は、大規模に差別化された品質・オブ・サービス(QoS)を提供することができるインテリジェントなマルチキャストルーティングソリューションを要求する。 従来のショートパスおよびマルチキャストルーティングアルゴリズムは、計算的に禁止されるか、構造的に厳格である。 ニューラルネットワークベースのアプローチは推論速度の改善を提供するが、一般にトポロジ的一般化とスケーラビリティは欠如している。 これらの制約に対処するために,グラフニューラルネットワーク(GNN)ベースのマルチキャストルーティングフレームワークを提案する。 ルーティング問題を制約付き最小フロー最適化タスクとして定式化し、経路を再利用しネットワーク力学に適応させることで効率的なマルチキャストツリーを逐次構築する強化学習アルゴリズムを開発した。 グラフアテンションネットワーク(GAT)はコンテキスト認識ノードの埋め込みを抽出するエンコーダとして使用され、長い短期メモリ(LSTM)モジュールはルーティング決定のシーケンシャルな依存関係をモデル化する。 大規模シミュレーションにより,提案手法は計算複雑性を著しく低減しつつ,最適な動的プログラムベースの解を近似することを示した。 また,大規模および動的ネットワークトポロジへの強力な一般化も確認し,6Gマルチメディア配信シナリオにおけるリアルタイム展開の可能性を強調した。 コードはhttps://github.com/UNIC-Lab/GNN-Routing.comで入手できる。

関連論文リスト

• 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)
• A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks [1.1586742546971471]
  次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。 交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。 我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
  論文  参考訳（メタデータ） (2024-02-07T01:48:29Z)
• Intelligent multicast routing method based on multi-agent deep reinforcement learning in SDWN [4.521033397097599]
  マルチキャスト通信技術は、デバイス密度の高い無線環境に広く応用されている。 本稿では,ソフトウェア定義無線ネットワーク(SDWN)環境におけるマルチエージェント深部強化学習(MADRL-MR)に基づく新しいマルチキャストルーティング手法を提案する。 シミュレーション実験により,MADRL-MRはスループット,遅延,パケット損失率などの観点から,既存のアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-12T14:05:03Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• 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)
• ENGNN: A General Edge-Update Empowered GNN Architecture for Radio Resource Management in Wireless Networks [29.23937571816269]
  鍵となる課題は、無線リソースをビームフォーミングとパワーアロケーションによって効率的に管理することである。 本稿では,GNNがノード変数とエッジ変数の両方を扱えるように,エッジ更新機構を提案する。 提案手法は平均和率が高いが,最先端の手法よりもはるかに短い時間で計算できる。
  論文  参考訳（メタデータ） (2022-12-14T14:04:25Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
  本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-02-03T03:34:06Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
  我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。 ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
  論文  参考訳（メタデータ） (2021-07-28T06:20:34Z)

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。