文献

J-GLOBAL ID：202202264251980335   整理番号：22A0553705

5G-RANスライスのためのエネルギー効率の良い深層強化学習支援リソース割当【JST・京大機械翻訳】

Energy-Efficient Deep Reinforcement Learning Assisted Resource Allocation for 5G-RAN Slicing

著者 (4件)： Azimi Yaser (Department of Electrical and Computer Engineering, Urmia University, Urmia, Iran) ,  Yousefi Saleh (Department of Electrical and Computer Engineering, Urmia University, Urmia, Iran) ,  Kalbkhani Hashem (Faculty of Electrical Engineering, Urmia University of Technology, Urmia, Iran) ,  Kunz Thomas (Department of Systems and Computer Engineering, Carleton University, Ottawa, Canada)
資料名： IEEE Transactions on Vehicular Technology  (IEEE Transactions on Vehicular Technology)
巻： 71  号： 1  ページ： 856-871  発行年： 2022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： 5Gアーキテクチャの柱の一つはネットワークスライシングであり,そこではハードウェア,無線,および電力資源が多様なアプリケーションの要件を考慮した論理的ネットワークとして仮想化されている。異なるスライス間の性能分離を確実にする一方で,5G無線アクセスネットワーク(RAN)における資源割当は,ネットワークダイナミックスおよび異なるアプリケーション要求のため,異なる課題と関連する。本論文では,電力と無線資源の割当を,資源ベースユーザと同様にレートベースユーザに考慮した。5GネットワークにおけるRANスライシングのためのエネルギー効率の良い深層強化学習支援資源割当て(EE-DRL-RA)法を提案した。提案手法の主なアイデアは,RANにおける資源割当を決定するために,深層強化学習(DRL)と深層学習(DL)を含む協調学習フレームワークを利用することである。特に,小規模の資源割付に関する意思決定のために,大規模とDRLの資源配分に関する意思決定のためにDLを使用する。非同期利点アクター-批評(A3C)および積層および双方向長短期メモリ(SBiLSTM)ネットワークを,それぞれDRLおよび教師つきDL法として使用した。さらに,非凸最適化問題としてエネルギー効率の良い電力割当(EE-PA)問題を定式化し,効率的な反復アルゴリズムにより解くことにより,レートベースユーザに対する最適電力と資源ブロック(RB)を決定した。提案手法は,低計算量と時間計算量でスライス分離を保証しながら,電力とRBを同時に割り当てる点で独特である。シミュレーション結果は,EE-DRL-RAが,収束速度,計算複雑度,エネルギー効率,および許容されたユーザの数,およびスライス間分離の程度に関して,最先端の公表方法と比較して,より良い性能をもたらすことを示した。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： アルゴリズム ,  記憶装置 ,  シミュレーション ,  意思決定 ,  電力 ,  ネットワーク ,  *資源割付 ,  計算量 ,  応用プログラム ,  ハードウェア ,  利用者 ,  定式化 ,  計算機アーキテクチャ
準シソーラス用語： ワイヤレス ,  反復アルゴリズム ,  仮想化 , 【Automatic Indexing@JST】

分類 (2件)： 無線通信一般  (ND08010L) ,  移動通信  (ND08030H)

タイトルに関連する用語 (7件)： 5G ,  Ran ,  スライス ,  エネルギー効率 ,  深層強化学習 ,  支援 ,  リソース割当