文献

J-GLOBAL ID：202202254078875673   整理番号：22A0288160

知的車両システムとスマートシティのための5Gにおける適応ネットワークスライシングのための深層強化学習【JST・京大機械翻訳】

Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities

著者 (2件)： Nassar Almuthanna (Electrical Engineering Department, University of South Florida, Tampa, FL, USA) ,  Yilmaz Yasin (Electrical Engineering Department, University of South Florida, Tampa, FL, USA)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 1  ページ： 222-235  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  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： インテリジェント車両システムとスマート都市アプリケーションは,30%の年間成長率で,最も速い成長モノのインターネット(IoT)実装である。IoTデバイスにおける最近の進歩と人工知能(AI)により駆動されるIoT応用の新たな新品種の観点から,霧無線アクセスネットワーク(F-RAN)は,クラウド-RAN(C-RAN)の待ち時間限界を克服するために,5世代(5G)無線通信のために最近導入されている。ネットワークエッジ(fogノード)における限られた資源を,動的環境における不均一待ち時間と計算要求を持つ車両とスマート都市ユーザに割当てるネットワークスライシング問題を考察した。ネットワークエッジで限られた資源を効率的に利用するために,エッジコントローラ(EC)と協調した霧ノード(FN)のクラスタに基づくネットワークスライシングモデルを開発した。クラスタにおける各サービス要求に対して,ECはタスクを実行するためのFN,即ち,エッジでの要求を局所的に行うか,あるいはタスクを拒絶し,それをクラウドに参照する。無限水平Markov決定プロセス(MDP)として問題を定式化し,最適スライシングポリシーを適応的に学習するための深層強化学習(DRL)解を提案した。提案したDRLベーススライシング法の性能を,動的環境における他のスライシングアプローチと設計目的の異なるシナリオとの比較により評価した。包括的シミュレーション結果は,提案したDRLベースECが環境との相互作用を通して最適ポリシーを迅速に学習し,動的車両とスマート都市環境における効率的資源配分のための適応と自動ネットワークスライシングを可能にすることを確証した。Copyright 2022 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 ,  相互作用 ,  *ネットワーク ,  都市 ,  資源割付 ,  人工知能 ,  無線伝送 ,  クラスタ ,  応用プログラム ,  待ち時間 ,  定式化 ,  都市環境
準シソーラス用語： 無線アクセスネットワーク ,  モノのインターネット ,  *スマートシティ , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 車両システム ,  スマートシティ ,  5G ,  適応ネットワーク ,  スライシング ,  深層強化学習