論文の概要: Proactive SFC Provisioning with Forecast-Driven DRL in Data Centers

• arxiv url: http://arxiv.org/abs/2601.20229v1
• Date: Wed, 28 Jan 2026 04:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.760349
• Title: Proactive SFC Provisioning with Forecast-Driven DRL in Data Centers
• Title（参考訳）: データセンターにおける予測駆動型DRLによるプロアクティブSFCプロビジョニング
• Authors: Parisa Fard Moshiri, Poonam Lohan, Burak Kantarci, Emil Janulewicz,
• Abstract要約: Service Function Chaining(SFC)は、さまざまなサービス要件を満たすために、Virtual Network Functions(VNF)の効率的な配置を必要とする。 本稿では,予測知能とSFCプロビジョニングを組み合わせたハイブリッドな予測駆動型深層強化学習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）: 5.886782001771578
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Service Function Chaining (SFC) requires efficient placement of Virtual Network Functions (VNFs) to satisfy diverse service requirements while maintaining high resource utilization in Data Centers (DCs). Conventional static resource allocation often leads to overprovisioning or underprovisioning due to the dynamic nature of traffic loads and application demands. To address this challenge, we propose a hybrid forecast-driven Deep reinforcement learning (DRL) framework that combines predictive intelligence with SFC provisioning. Specifically, we leverage DRL to generate datasets capturing DC resource utilization and service demands, which are then used to train deep learning forecasting models. Using Optuna-based hyperparameter optimization, the best-performing models, Spatio-Temporal Graph Neural Network, Temporal Graph Neural Network, and Long Short-Term Memory, are combined into an ensemble to enhance stability and accuracy. The ensemble predictions are integrated into the DC selection process, enabling proactive placement decisions that consider both current and future resource availability. Experimental results demonstrate that the proposed method not only sustains high acceptance ratios for resource-intensive services such as Cloud Gaming and VoIP but also significantly improves acceptance ratios for latency-critical categories such as Augmented Reality increases from 30% to 50%, while Industry 4.0 improves from 30% to 45%. Consequently, the prediction-based model achieves significantly lower E2E latencies of 20.5%, 23.8%, and 34.8% reductions for VoIP, Video Streaming, and Cloud Gaming, respectively. This strategy ensures more balanced resource allocation, and reduces contention.
• Abstract（参考訳）: サービス機能チェイン(SFC)は、データセンター(DC)における高いリソース利用を維持しながら、多様なサービス要件を満たすために、仮想ネットワーク機能(VNF)の効率的な配置を必要とする。 従来の静的リソース割り当ては、しばしばトラフィックの負荷とアプリケーション要求の動的な性質のために過剰なプロビジョニングや過小計画につながる。 この課題に対処するために,予測知能とSFCプロビジョニングを組み合わせたハイブリッド予測駆動型深部強化学習(DRL)フレームワークを提案する。 具体的には、DRLを活用して、DCリソース利用とサービス要求をキャプチャしたデータセットを生成し、ディープラーニング予測モデルのトレーニングに使用します。 オプチュナに基づくハイパーパラメータ最適化を用いて、最高のパフォーマンスモデル、時空間グラフニューラルネットワーク、時空間グラフニューラルネットワーク、Long Short-Term Memoryがアンサンブルに統合され、安定性と精度が向上する。 アンサンブル予測はDC選択プロセスに統合され、現在の資源と将来の資源の可用性の両方を考慮した積極的な配置決定を可能にする。 実験の結果,提案手法は,クラウドゲームやVoIPなどの資源集約型サービスにおいて高い受入率を維持するだけでなく,Augmented Realityなどの遅延クリティカルなカテゴリの受入率も30%から50%向上し,Industrial 4.0は30%から45%向上した。 その結果、予測ベースのモデルは、VoIP、ビデオストリーミング、クラウドゲームでそれぞれ20.5%、23.8%、34.8%のE2Eレイテンシを著しく低下させる。 この戦略により、よりバランスの取れたリソース割り当てが保証され、競合が軽減される。

関連論文リスト

• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• Integrating Language Models for Enhanced Network State Monitoring in DRL-Based SFC Provisioning [5.37102888813454]
  本稿では,Deep Reinforcement Learning(DRL)とLanguage Models(LM)を統合し,ネットワーク管理を強化する。 DRLからLMに最終的なVNF割り当てを供給することにより、システムはSFC、DC、VNFに関連するクエリを処理および応答し、リソース利用、ボトルネック検出、将来の需要計画に関するリアルタイムな洞察を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T22:52:14Z)
• Meta-Computing Enhanced Federated Learning in IIoT: Satisfaction-Aware Incentive Scheme via DRL-Based Stackelberg Game [50.6166553799783]
  効率的なIIoT操作は、モデル品質とトレーニング遅延の間のトレードオフを必要とする。 本稿では,データサイズ,情報時代(AoI),メタコンピューティングのトレーニング遅延を考慮した満足度関数を設計する。 我々は、スタックルバーグ均衡を学ぶために、深い強化学習アプローチを採用する。
  論文  参考訳（メタデータ） (2025-02-10T03:33:36Z)
• S-VOTE: Similarity-based Voting for Client Selection in Decentralized Federated Learning [10.326889154205157]
  Decentralized Federated Learning (DFL)は、中央サーバに頼ることなく、協調的なプライバシ保護モデルトレーニングを可能にする。 本研究では、異種環境におけるDFL問題に対処するS-VOTEを提案する。
  論文  参考訳（メタデータ） (2025-01-31T16:43:02Z)
• AI-Driven Resource Allocation Framework for Microservices in Hybrid Cloud Platforms [1.03590082373586]
  本稿では,ハイブリッドクラウドプラットフォームにおけるリソース割り当てのためのAI駆動型フレームワークを提案する。 このフレームワークは、コスト削減と性能向上のために強化学習(RL)ベースのリソース利用最適化を採用している。
  論文  参考訳（メタデータ） (2024-12-03T17:41:08Z)
• Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning [9.451084740123198]
  フェデレートラーニング(FL)は、エッジデバイスが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 しかし、電力、帯域幅などの制約のあるリソースを持つモバイルエッジネットワーク上にFLをデプロイすることは、高いトレーニングレイテンシと低いモデルの精度に悩まされる。 本稿では,資源制約と不確実性の下で,モバイルエッジネットワーク上でのFLの最適なクライアントスケジューリングとリソース割り当てについて検討する。
  論文  参考訳（メタデータ） (2024-09-29T01:56:45Z)
• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• 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)
• Dynamic Scheduling for Stochastic Edge-Cloud Computing Environments using A3C learning and Residual Recurrent Neural Networks [30.61220416710614]
  A-Advantage-Actor-Critic(A3C)学習は、データが少ない動的なシナリオに迅速に適応することが知られ、Residual Recurrent Neural Network(R2N2)はモデルパラメータを迅速に更新する。 我々はR2N2アーキテクチャを用いて、多数のホストパラメータとタスクパラメータを時間パターンとともにキャプチャし、効率的なスケジューリング決定を提供する。 実世界のデータセットで実施された実験では、エネルギー消費、応答時間、ServiceLevelAgreementおよびランニングコストがそれぞれ14.4%、7.74%、31.9%、および4.64%で大幅に改善された。
  論文  参考訳（メタデータ） (2020-09-01T13:36:34Z)

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。