文献

J-GLOBAL ID：202202278877524059   整理番号：22A0787781

スマート負荷バランシングのための制約付き深層強化学習【JST・京大機械翻訳】

Constrained Deep Reinforcement Learning for Smart Load Balancing

著者 (7件)： Houidi Omar (Institut Mines-Telecom, Institut Polytechnique de Paris,Telecom SudParis, Samovar-Lab,France) ,  Zeghlache Djamal (Institut Mines-Telecom, Institut Polytechnique de Paris,Telecom SudParis, Samovar-Lab,France) ,  Perrier Victor (Huawei Technologies Ltd,Paris Research Center,France) ,  Anh Quang Pham Tran (Huawei Technologies Ltd,Paris Research Center,France) ,  Huin Nicolas (Huawei Technologies Ltd,Paris Research Center,France) ,  Leguay Jeremie (Huawei Technologies Ltd,Paris Research Center,France) ,  Medagliani Paolo (Huawei Technologies Ltd,Paris Research Center,France)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： CCNC  ページ： 207-215  発行年： 2022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： 本論文では,従来のアルゴリズムを超えた負荷分散を改善するために,深層強化学習(DRL)のためのアクター-批評アーキテクチャの使用を検討した。いくつかの集中型強化学習(RL)アルゴリズムは,ビデオフローのための経験(QoE)の品質を報酬関数表現に目標としているが,これはクライアントへのアクセス,または他のタイプのフローのための最大リンク利用(MLU)を必要とする。本アプローチでは,ネットワーク内のバランストラヒックを負荷し,ユーザにより経験されるQoEを最大化するために,QoSパラメータのみに活用するアクター-批評アルゴリズムを調整した。これは,容易に測定可能なネットワークメトリックスだけに焦点を合わせるので,クライアントアプリケーションからの観測と性能測定を収集することを避ける。提案したスマート負荷分散解の実現可能性を評価するために集中化および分散解の両方を検討した。それらをECMP,QoEベース報酬法,および基礎となるDDPG最適化アプローチを用いるRILNETと比較した。提案アルゴリズムは以前のアプローチより優れていることを示した。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 ,  最適化 ,  ネットワーク ,  録画装置 ,  集中化 ,  計算機アーキテクチャ ,  *強化学習 ,  負荷分散
準シソーラス用語： 性能測定 ,  体感品質 ,  報酬関数 ,  *深層強化学習 , 【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 (3件)： 負荷バランシング ,  制約 ,  深層強化学習