論文の概要: Deep Q-Learning Assisted Bandwidth Reservation for Multi-Operator Time-Sensitive Vehicular Networking

• arxiv url: http://arxiv.org/abs/2510.18553v1
• Date: Tue, 21 Oct 2025 12:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.458184
• Title: Deep Q-Learning Assisted Bandwidth Reservation for Multi-Operator Time-Sensitive Vehicular Networking
• Title（参考訳）: マルチオペレータ時間感度ベクトルネットワークのための深Q学習支援バンド幅保存
• Authors: Abdullah Al-Khatib, Albert Gergus, Muneeb Ul Hassan, Abdelmajid Khelil, Klaus Mossner, Holger Timinger,
• Abstract要約: 本論文では,Double Deep Q-Network (DDQN) に基づく最適戦略を用いた新しい多目的帯域予約更新手法を提案する。 提案手法は,全シナリオの帯域幅コストを40%削減し,不確実な状況を低コストで解決するものである。
• 参考スコア（独自算出の注目度）: 0.515680811220034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Very few available individual bandwidth reservation schemes provide efficient and cost-effective bandwidth reservation that is required for safety-critical and time-sensitive vehicular networked applications. These schemes allow vehicles to make reservation requests for the required resources. Accordingly, a Mobile Network Operator (MNO) can allocate and guarantee bandwidth resources based on these requests. However, due to uncertainty in future reservation time and bandwidth costs, the design of an optimized reservation strategy is challenging. In this article, we propose a novel multi-objective bandwidth reservation update approach with an optimal strategy based on Double Deep Q-Network (DDQN). The key design objectives are to minimize the reservation cost with multiple MNOs and to ensure reliable resource provisioning in uncertain situations by solving scenarios such as underbooked and overbooked reservations along the driving path. The enhancements and advantages of our proposed strategy have been demonstrated through extensive experimental results when compared to other methods like greedy update or other deep reinforcement learning approaches. Our strategy demonstrates a 40% reduction in bandwidth costs across all investigated scenarios and simultaneously resolves uncertain situations in a cost-effective manner.
• Abstract（参考訳）: 安全クリティカルで時間に敏感な車両用ネットワークアプリケーションに必要な、効率よく費用効率の良い帯域予約を提供する、個々の帯域予約方式はほとんどない。 これらのスキームにより、車両は必要なリソースの予約要求を行うことができる。 したがって、モバイルネットワークオペレータ(MNO)は、これらの要求に基づいて帯域幅リソースを割り当て、保証することができる。 しかし,将来の予約時間と帯域幅コストの不確実性のため,最適化された予約戦略の設計は困難である。 本稿では,Double Deep Q-Network(DDQN)に基づく最適戦略を用いた,新しい多目的帯域予約更新手法を提案する。 主な設計目的は、複数のMNOによる予約コストを最小限に抑え、運転経路に沿って予約不足や予約過多などのシナリオを解決することで、不確実な状況下での信頼性の高いリソース供給を確保することである。 提案手法の強化と利点は,greedy updateや他の深層強化学習手法と比較して,広範な実験結果を通じて実証されてきた。 提案手法は,全シナリオの帯域幅コストを40%削減し,不確実な状況を低コストで解決するものである。

関連論文リスト

• Bandwidth Reservation for Time-Critical Vehicular Applications: A Multi-Operator Environment [1.1749564892273827]
  帯域予約要求は 価格変動や公平性の問題といった 課題に直面します 本研究は,複数のMNOの最適価格を求めることにより,資源コストを最小化することを目的とする。
  論文  参考訳（メタデータ） (2025-03-22T12:36:23Z)
• CITER: Collaborative Inference for Efficient Large Language Model Decoding with Token-Level Routing [74.14816777318033]
  Token-lEvel Routing(CITER)との協調推論は、小規模および大規模言語モデルの効率的な協調を可能にするフレームワークである。 ルータの学習をポリシー最適化として定式化し、予測の質と生成の推論コストの両方に基づいて報酬を受け取る。 実験の結果,CITERは高品質な生成を保ちながら推論コストを低減し,リアルタイムおよびリソース制約のあるアプリケーションに対して有望なソリューションを提供することがわかった。
  論文  参考訳（メタデータ） (2025-02-04T03:36:44Z)
• Online Optimization for Randomized Network Resource Allocation with Long-Term Constraints [0.610240618821149]
  簡単な通信網における最適オンラインリソース予約問題について検討する。 そこで我々は,オンラインサドルポイントアルゴリズムを提案し,関連するK-ベンチマークの後悔に対する上限を提示する。
  論文  参考訳（メタデータ） (2023-05-24T20:47:17Z)
• Automatic Design of Telecom Networks with Genetic Algorithms [0.0]
  AIベースのソリューションは、ネットワーク設計を自動化するために提案されている。 この面倒な作業を軽減するために,ネットワークを自動設計するための2レベル表現を用いた遺伝的アルゴリズムを提案する。 提案手法は,既存の方法よりも適切な,優れたソリューションを見つける上で,コストと時間を節約できることを示す。
  論文  参考訳（メタデータ） (2023-04-02T22:02:58Z)
• Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction [72.59079526765487]
  アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。 主な課題は、URLLCパケット生成のプロセスにおける不確実性である。 本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:09:55Z)
• Digital Twin-Empowered Network Planning for Multi-Tier Computing [14.746301139910472]
  6Gネットワークで普及するステートフルアプリケーションをサポートするためのリソース管理方式を設計する。 コアネットワーク,ゲートウェイ,基地局にサーバを配置したマルチ層コンピューティングパラダイムを用いて,長期リソース予約の最適化を目指す。 提案するDTを利用したネットワークプランニングは,リソースの削減と再設定コストの低減により,ベンチマークフレームワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-06T00:32:59Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Deep Reinforcement Learning for Resource Constrained Multiclass Scheduling in Wireless Networks [0.0]
  セットアップでは、ランダムに到着するサービス要求に対応するために、利用可能な限られた帯域幅のリソースを割り当てます。 本稿では,Deep Setsと組み合わせた分布型Deep Deterministic Policy Gradient (DDPG)アルゴリズムを提案する。 提案アルゴリズムは, 合成データと実データの両方で検証し, 従来手法に対する一貫した利得を示す。
  論文  参考訳（メタデータ） (2020-11-27T09:49:38Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。