文献

J-GLOBAL ID：202002223157115675   整理番号：20A0958408

深部強化学習を用いた無線アクセスネットワークスライシングのための複数スライスへの柔軟な資源ブロック割当【JST・京大機械翻訳】

Flexible Resource Block Allocation to Multiple Slices for Radio Access Network Slicing Using Deep Reinforcement Learning

著者 (6件)： Abiko Yu (Graduate School of Integrated Science and Technology, Shizuoka University, Hamamatsu, Japan) ,  Saito Takato (Research Laboratories, NTT DOCOMO, Inc., Yokosuka, Japan) ,  Ikeda Daizo (Research Laboratories, NTT DOCOMO, Inc., Yokosuka, Japan) ,  Ohta Ken (Research Laboratories, NTT DOCOMO, Inc., Yokosuka, Japan) ,  Mizuno Tadanori (Faculty of Information Science, Aichi Institute of Technology, Toyota, Japan) ,  Mineno Hiroshi (Graduate School of Integrated Science and Technology, Shizuoka University, Hamamatsu, Japan)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 68183-68198  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 移動通信の第5世代において,ネットワークスライシングを用いて,スライスとして様々なサービスのための最適ネットワークを提供した。本論文では,深い強化学習(DRL)を用いてRAN資源を柔軟に割り当てる無線アクセスネットワーク(RAN)スライシング法を提案した。RANsにおいて,基地局によって制御されたスライスの数は,ユーザ侵入とベースステーションカバレッジエリアからのエグレスとユーザ装置のそれぞれのセットに関するサービス切り替えの観点から変動する。したがって,資源配分がスライスの数に依存するとき,スライスの数が変化するとき,資源を割り当てることができない。スライス数に依存しない最適資源割当を行う方法を考察した。資源割当はDRLを用いて最適化され,試行錯誤を通して状態に対する最良の行動を学習する。スライスの数から独立性を達成するために,著者らは,DRL法であるApe-Xを用いて,一つのスライス毎エージェントベースで資源を管理するモデルのための設計を示した。エージェントは並列に使用できるので,複数の環境の試行錯誤により様々な環境を学習するモデルが生成できる。さらに,資源を過剰配分することなくスライシング要件を満たすモデルを設計した。この設計に基づいて,エージェントの数を変えることにより,スライスの数に無関係に資源を最適に割り当てることができる。評価において,多重シナリオをテストし,スライス要件の平均満足度が約97%であることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *ネットワーク ,  資源割付 ,  基地局 ,  多重化 ,  移動通信 ,  エージェント ,  *強化学習 ,  改変
準シソーラス用語： *スライシング ,  *無線アクセスネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 移動通信  (ND08030H) ,  無線通信一般  (ND08010L)

タイトルに関連する用語 (7件)： 深部 ,  強化学習 ,  無線アクセスネットワーク ,  スライシング ,  スライス ,  資源 ,  割当