文献

J-GLOBAL ID：202202227488624563   整理番号：22A0622857

ソフトウェア定義車両ネットワークに対する知的で実現可能な制御平面:深層強化学習アプローチ【JST・京大機械翻訳】

Intelligent and resizable control plane for software defined vehicular network: a deep reinforcement learning approach

著者 (4件)： Smida Karima (Carthage University, Sup’com, Carthage, Tunisia) ,  Tounsi Hajer (Carthage University, Sup’com, Carthage, Tunisia) ,  Frikha Mounir (Carthage University, Sup’com, Carthage, Tunisia) ,  Frikha Mounir (King Faisal University (KFU), Al Hofuf, Saudi Arabia)
資料名： Telecommunication Systems  (Telecommunication Systems)
巻： 79  号： 1  ページ： 163-180  発行年： 2022年 
JST資料番号： W2065A  ISSN： 1018-4864  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： ソフトウェア定義ネットワーキング(SDN)は,大規模ネットワークを管理するための最も有望なパラダイムの1つになっている。SDN制御は,リジリエンシーとスケーラビリティに関してその性能を証明した。しかし,使用のためのコントローラの数の選択は,問題のままである。大量の制御装置は,投資コストと遅延と交通負荷に関する同期コストのオーバーヘッドを過大に誘導するかもしれない。しかし,少数のコントローラは分散アプローチの目的を達成するためには不十分である。したがって,使用された制御装置の数は,トラフィック充電と応用要求の機能で調整されるべきである。本論文では,ディープ強化学習(DRL)と結合したSDN能力が,車両アプリケーションのためのより良いQoSの達成を可能にする,ソフトウェア定義車両ネットワークアーキテクチャのためのインテリジェントで再利用可能な制御平面を提示した。SDVNと相互作用して,DRLエージェントは,ネットワーク環境(車両数,負荷,速度など)に従って展開する分散制御装置の最適数を決定する。著者らの知る限り,これは車両環境動的性から学習することによりコントローラの数を調節する最初の研究である。実験結果は,提案システムがエンドツーエンド遅延とパケット損失に関して静的分散SDVNアーキテクチャより優れていることを証明した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  投資 ,  *ネットワーク ,  充電 ,  応用プログラム ,  *ソフトウェア ,  分散【variance】 ,  計算機アーキテクチャ ,  エージェント ,  *強化学習 ,  ネットワークアーキテクチャ ,  パケット損失
準シソーラス用語： オーバヘッド ,  大規模ネットワーク ,  エンドツーエンド遅延 ,  *車両ネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： ソフトウェア定義車両ネットワーク ,  分散制御平面 ,  サービスの質 ,  深層強化学習

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (4件)： ソフトウェア ,  定義 ,  制御平面 ,  深層強化学習