文献

J-GLOBAL ID：202002274049769806   整理番号：20A2142428

DeepPR:深層強化学習による相互依存VNFのための漸進的回復【JST・京大機械翻訳】

DeepPR: Progressive Recovery for Interdependent VNFs With Deep Reinforcement Learning

著者 (4件)： Ishigaki Genya (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Devic Siddartha (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Gour Riti (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Jue Jason P. (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA)
資料名： IEEE Journal on Selected Areas in Communications  (IEEE Journal on Selected Areas in Communications)
巻： 38  号： 10  ページ： 2386-2399  発行年： 2020年 
JST資料番号： A0908B  ISSN： 0733-8716  CODEN： ISACEM  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： 多様なネットワークサービスに対する需要の増加は,仮想化ネットワーク機器と機能により実現されるより柔軟なネットワークを必要とする。そのような先進ネットワークシステムが自然災害または攻撃によって大規模な故障に直面したとき,全体のシステムの回復は,限られた修理資源のために,段階的に実行することができた。回復相におけるネットワーク装置の優先順位付けは,システムが部分機能性の下で動作するので,システムの中間計算と通信能力に影響を及ぼす。したがって,最良の回復順序を見つけることは,仮想ネットワーク機能とインフラストラクチャ要素間の相互依存性による仮想化によってさらに複雑な重要な問題である。本論文は,いくつかの相互依存性が存在するVNFを有するネットワークにおける限られた資源の下で,進行性回復問題を扱う。著者らは,進行性回復問題のNP-硬度を証明して,深い再強化学習(Deep RL)に基づく進行性回復技術,DeepPRを導入することによって最適解をアプローチした。シミュレーション結果は,深いPRが,あるネットワークで近最適解を達成することができ,ベースライン発見的アルゴリズムと比較して,敵対的故障に対してロバスト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： シミュレーション ,  故障 ,  ネットワーク ,  通信 ,  自然災害 ,  インフラストラクチャー ,  ロバスト性 ,  *強化学習
準シソーラス用語： ネットワークサービス ,  最適解 ,  仮想ネットワーク ,  発見的アルゴリズム ,  仮想化 ,  ネットワークシステム ,  ネットワーク機器 , 【Automatic Indexing@JST】

分類 (2件)： 移動通信  (ND08030H) ,  計算機網  (JC03000K)

タイトルに関連する用語 (2件)： 深層強化学習 ,  回復