文献

J-GLOBAL ID：202102241531035236   整理番号：21A0892096

Edgeスライス:分散深層強化学習による無線エッジ計算ネットワークのスライス【JST・京大機械翻訳】

EdgeSlice: Slicing Wireless Edge Computing Network with Decentralized Deep Reinforcement Learning

著者 (3件)： Liu Qiang (The University of North Carolina,Electrical and Computer Engineering Department,Charlotte,NC,United States) ,  Han Tao (The University of North Carolina,Electrical and Computer Engineering Department,Charlotte,NC,United States) ,  Moges Ephraim (The University of North Carolina,Electrical and Computer Engineering Department,Charlotte,NC,United States)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICDCS  ページ： 234-244  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 5Gとエッジコンピューティングは,多様な資源,例えば,無線,輸送,およびコンピューティングの多様な要求を持つ様々な新しい使用事例に役立つであろう。ネットワークスライシングは,異なる使用事例の要求に従ってカスタマイズできる仮想ネットワークを作成するための有望な技術である。プロビジョンネットワークスライスは,挑戦的であるエンドツーエンド資源調整を必要とする。本論文では,動的エンドツーエンドネットワークスライシングのために,EdgeSliceと呼ばれる分散資源調整システムを設計した。EdgeSliceは,エンドツーエンド資源を効率的に調整するために,新しい分散深層強化学習(D-DRL)法を導入した。D-DRLは,性能コーディネータと多重調整エージェントから成る。性能コーディネータは,ネットワークスライスのサービスレベル一致(SLA)を確保するために,すべての調整エージェントにおける資源調整政策を管理する。調整エージェントは,ネットワークスライスの資源要求を学習して,それに応じて,制約されたネットワーク化およびコンピューティング資源の下で,スライスの性能を最適化するために,資源配分を調整する。ランタイムでエンドツーエンド資源の動的な構成を可能にするために,無線,輸送および計算管理者を設計した。OpenAir Interface LTEネットワーク,OpenDayLight SDNスイッチ,およびCUDA GPUプラットフォームを用いて,エンドツーエンド無線エッジコンピューティングネットワークのプロトタイプにEdgeSliceを実装する。EdgeSliceの性能を実験とトレース駆動シミュレーションにより評価した。評価結果は,EdgeSliceが,性能,スケーラビリティ,適合性に関して,ベースラインと比較して,多くの改良を達成することを示した。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： 最適化 ,  シミュレーション ,  管理者 ,  *ネットワーク ,  資源割付 ,  適応性 ,  多重化 ,  エンドツーエンド方式 ,  エージェント ,  カスタム化 ,  プロトタイプ
準シソーラス用語： *ワイヤレス ,  ネットワーク化 ,  仮想ネットワーク ,  サービスレベル , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： EDGE ,  スライス ,  深層強化学習 ,  無線 ,  エッジ ,  計算