文献

J-GLOBAL ID：202202282832093942   整理番号：22A0464476

ソフトウェア定義ネットワークにおける多目的強化学習を用いたクラウドデータセンタ間のエネルギー意識災害バックアップ【JST・京大機械翻訳】

Energy-aware disaster backup among cloud datacenters using multiobjective reinforcement learning in software defined network

著者 (5件)： Yi Shanwen (School of Computer Science and Technology, Shandong University, Jinan, China) ,  Li Xiaole (Linyi University, Linyi, China) ,  Wang Hua (School of Software, Shandong University, Jinan, China) ,  Qin Yao (Department of Information and Network Security, Shanghai Police College, Shanghai, China) ,  Yan Jiaxin (School of Software, Shandong University, Jinan, China)
資料名： Concurrency and Computation: Practice & Experience  (Concurrency and Computation: Practice & Experience)
巻： 34  号： 3  ページ： e6588  発行年： 2022年 
JST資料番号： W2542A  ISSN： 1532-0626  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： 長距離と大規模データによる災害バックアップの伝送プロセスは,巨大なエネルギー消費を引き起こす。占有された中間転送装置の数を減らし,伝送完了時間を短くすることは,省エネルギーのための2つの重要因子である。それらを一緒に考慮せずに,以前の研究は,単一目的最適化だけによって,最適エネルギー意識伝送をほとんど実現することができない。初めて,著者らは,ソフトウェア定義ネットワークにおいて,占有中間転送装置の数と伝送完了時間を同時に最小化するために,多目的強化学習を利用した。探索と選択操作からなる2レベル強化学習を提案した。内部強化学習では,ホップ数を減らし,ノード共有度を改善し,より大きな残留容量とリンクに優先度を与える。次に,外部レベルで,占有装置の総数を減らし,全バックアップフローを増加させた。重み選択を単純化するために擬似ランダム比例則に基づくChebyshevスカラー化関数を利用して,局所最適への落下を回避するための探索を強制した。異なる目的のための報酬のベクトルを設計し,最適解に近づくために多重状態ステップによってPareto近似集合を更新する。本戦略は,重み選択問題を首尾よく解決し,低いエネルギー消費を達成した。Copyright 2022 Wiley Publishing Japan K.K. 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 ,  ベクトル ,  簡素化 ,  近似法 ,  選択問題 ,  多重化 ,  省エネルギー ,  エネルギー消費 ,  スカラー ,  *バックアップ ,  *強化学習 ,  優先度
準シソーラス用語： 最適解 ,  長距離 ,  ホップ数 , 【Automatic Indexing@JST】

著者キーワード (6件)： Chebyshevスカラー化関数 ,  エネルギーを意識した災害バックアップ ,  ソフトウェア定義ネットワーク ,  中間フォワーディング装置の数 ,  伝送完了時間 ,  2レベル多目的強化学習

分類 (2件)： 無線通信一般  (ND08010L) ,  計算機網  (JC03000K)

タイトルに関連する用語 (7件)： ソフトウェア定義ネットワーク ,  多目的 ,  強化学習 ,  エネルギー ,  意識 ,  災害 ,  バックアップ