文献

J-GLOBAL ID：202102232017893159   整理番号：21A0536919

遅延敏感応用のための機械学習によるプリエンプティブSDN負荷バランシング【JST・京大機械翻訳】

Preemptive SDN Load Balancing With Machine Learning for Delay Sensitive Applications

著者 (4件)： Filali Abderrahime (Electrical and Computer Engineering, Universite de Sherbrooke, Sherbrooke, Quebec, Canada) ,  Mlika Zoubeir (Universite de Sherbrooke, Faculte de Genie, Sherbrooke, Quebec, Canada) ,  Cherkaoui Soumaya (Electrical and Computer Engineering, Universite de Sherbrooke, Faculte de Genie, Sherbrooke, Quebec, Canada) ,  Kobbane Abdellatif (UM5R ENSIAS, Rabat, BP, Morocco)
資料名： IEEE Transactions on Vehicular Technology  (IEEE Transactions on Vehicular Technology)
巻： 69  号： 12  ページ： 15947-15963  発行年： 2020年 
JST資料番号： C0244A  ISSN： 0018-9545  CODEN： ITVTAB  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： SDNは,5GとマルチアクセスEdgeコンピューティングネットワークにおいてスケーラビリティを実現するための鍵である。分散SDN制御装置間の負荷のバランスをとるために,データ平面成分の移動を提案した。反応メカニズムを使用するほとんどの以前の研究と異なり,低待ち時間通信を必要とするネットワークフローをサポートするために,SDN制御平面における負荷を事前にバランスさせることを提案した。最初に,SDN制御装置の負荷を予測し,負荷不均衡とスケジュールデータ平面移動を前もって防止した。第二に,著者らは,遅延制約の下でより良い負荷分散を達成するためにマイグレーション操作を最適化する。特に,第一段階では,SDN制御器負荷を予測するために,自己回帰統合移動平均(ARIMA)と長短温度メモリ(LSTM)アプローチに基づく2つの予測モデルを構築した。次に,これらの2つのモデル間の比較研究を行い,それらの精度と予測誤差を計算した。その結果,長期予測において,LSTMモデルの精度は,予測誤差の観点から,ARIMAの55%よりも性能が優れていることを示した。第2段階では,どのデータ平面成分が移動し,移動が遅延制約の下で起こるべきかを選択するために,非線形バイナリプログラムとして問題を定式化し,そのNP完全性を証明し,それを解くための強化学習アルゴリズムを提案した。シミュレーションにより,提案アルゴリズムは,最適に近い性能を示し,文献から最近のベンチマークアルゴリズムより優れていることを示した。Copyright 2021 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： アルゴリズム ,  記憶装置 ,  最適化 ,  通信 ,  待ち時間 ,  長期予測 ,  定式化 ,  ベンチマーク ,  *機械学習 ,  学習アルゴリズム ,  予測誤差 ,  予測モデル
準シソーラス用語： ARIMAモデル ,  ネットワークフロー ,  自己回帰 , 【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 (5件)： 遅延 ,  応用 ,  機械学習 ,  SDN ,  負荷バランシング