論文の概要: DRL-Driven Edge-Aware Utility Optimization for Multi-Slice 6G Networks

• arxiv url: http://arxiv.org/abs/2605.23056v1
• Date: Thu, 21 May 2026 21:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.109194
• Title: DRL-Driven Edge-Aware Utility Optimization for Multi-Slice 6G Networks
• Title（参考訳）: DRLによるマルチスライス6Gネットワークのエッジ・アウェア・ユーティリティ最適化
• Authors: Khaled M. Naguib, Soumaya Cherkaoui, Mahmoud M. Elmessalawy, Ahmed M. Abd El-Haleem, Ibrahim I. Ibrahim,
• Abstract要約: 6Gネットワークで配信される仮想現実(VR)サービスは、シームレスなユーザエクスペリエンスを保証するために、超低レイテンシと高帯域幅を必要とする。 本稿では,DQN(Deep Q-Network)学習を活用した,6G O-RANネットワークのためのインテリジェントなリソース割り当てとエッジキャッシュ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）: 5.468429759077718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual Reality (VR) services delivered over 6G networks demand ultra-low latency and high bandwidth to ensure seamless user experiences. This paper presents an intelligent resource allocation and edge caching framework for 6G O-RAN networks, leveraging Deep Q-Network (DQN) learning for optimizing edge caching and dynamic resource provisioning across multiple network slices within an O-RAN-compliant architecture. By incorporating DRL agents into the network control plane, the proposed system enables proactive and adaptive content distribution as well as real-time computational resource allocation that meets the quality-of-service demands of eMBB, URLLC, and especially the emerging MBRLLC slices essential for VR. Simulation results demonstrate that the DQN-based framework consistently outperforms traditional methods in reducing latency and improving throughput, leading to more reliable and responsive support for immersive VR applications in 6G environments.
• Abstract（参考訳）: 6Gネットワークで配信されるVirtual Reality(VR)サービスは、シームレスなユーザエクスペリエンスを保証するために、超低レイテンシと高帯域幅を必要とする。 本稿では、6G O-RANネットワークのためのインテリジェントなリソース割り当てとエッジキャッシュフレームワークを提案し、エッジキャッシュと動的リソースプロビジョニングをO-RAN準拠アーキテクチャ内で最適化するために、Deep Q-Network(DQN)学習を活用する。 DRLエージェントをネットワーク制御面に組み込むことにより,eMBB, URLLC, 特にVRに不可欠な新興MBRLLCスライスの品質要求を満たすリアルタイムな計算資源割り当てだけでなく,プロアクティブかつ適応的なコンテンツ配信を可能にする。 シミュレーションの結果、DQNベースのフレームワークは、レイテンシの低減とスループットの向上において従来の方法よりも一貫して優れており、6G環境における没入型VRアプリケーションに対する信頼性と応答性の向上につながっている。

関連論文リスト

• Deep Unfolded Fractional Optimization for Maximizing Robust Throughput in 6G Networks [5.855866479962828]
  6G無線通信ネットワークは、効率的で堅牢なネットワーク最適化のために人工知能ツールを活用することを目的としている。 本稿では,送信ビームフォーミングをダウンリンクモードで同時に行うマルチアンテナ基地局について考察する。 本研究は, 重み付き和率(WSR)に対する不確実性注入型深部展開型分数計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T09:56:38Z)
• Large Language Model (LLM)-enabled Reinforcement Learning for Wireless Network Optimization [79.27012080083603]
  大型言語モデル(LLM)は、無線ネットワークにおける強化学習を強化するための有望なツールを提供する。 マルチエージェント強化学習フレームワークを強化するために,LLM支援状態表現と意味抽出を提案する。
  論文  参考訳（メタデータ） (2026-01-15T01:42:39Z)
• Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6G Networks [43.88530200050682]
  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。
  論文  参考訳（メタデータ） (2025-10-13T08:00:45Z)
• Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning [19.02610605908148]
  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。
  論文  参考訳（メタデータ） (2025-09-17T18:20:04Z)
• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• 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)
• Intelligent Load Balancing and Resource Allocation in O-RAN: A Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
  負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。 また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
  論文  参考訳（メタデータ） (2023-03-25T04:42:30Z)
• 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)
• 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)

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。