АНАЛІЗ АЛГОРИТМІВ ДИНАМІЧНОГО КЕРУВАННЯ РЕСУРСАМИ МЕРЕЖЕВИХ СЛАЙСІВ
Ключові слова:
5G, МЕРЕЖЕВИЙ СЛАЙСІНГ, ПЕРИФЕРІЙНІ ОБЧИСЛЕННЯ З КІЛЬКОМА ДОСТУПАМИ, ДИНАМІЧНЕ КЕРУВАННЯ МЕРЕЖЕВИМИ РЕСУРСАМИ, БАГАТОАГЕНТНЕ НАВЧАННЯ З ПІДКРІПЛЕННЯМ, PROXIMAL POLICY OPTIMIZATIONАнотація
У дослідженні пропонується підхід на основі навчання з підкріпленням (reinforcement learning = RL), що є підвидом машинного навчання, для динамічного розподілу ресурсів у мережевому слайсі з різнорідними вимогами в багаторівневих середовищах multi-access edge computing (MEC). Спочатку окреслюється ієрархічна архітектура MEC і формулюється проблему розподілу ресурсів для мережевого слайсінгу як завдання оптимізації за допомогою Markov decision process (MDP). Потім, використовуючи proximal policy optimization (PPO), буде розроблено алгоритми динамічного розподілу мережевих ресурсів, для максимізації ефективності використання ресурсів, забезпечуючи при цьому певний рівень якості обслуговування у самих слайсах.
Посилання
Andronie, Mihai, et al. "Big data management algorithms in artificial Internet of Things-based fintech." Oeconomia Copernicana 14.3 (2023): 769-793.
Hussain, Fatima, et al. "Machine learning for resource management in cellular and IoT networks: Potentials, current solutions, and open challenges." IEEE communications surveys & tutorials 22.2 (2020): 1251-1275.
Goudarzi, Shidrokh, et al. "Uav-enabled mobile edge computing for resource allocation using cooperative evolutionary computation." IEEE Transactions on Aerospace and Electronic Systems (2023).
Kim, Y., H. Lim: Multi-Agent RL-Based Resource Management for End-to-End Network Slicing, IEEE Access, Vol. 9, 2021.
Liu, Xiaolan, et al. "Resource allocation with edge computing in IoT networks via machine learning." IEEE Internet of Things Journal 7.4 (2020): 3415-3426.
Lin, Zheng, et al. "Efficient parallel split learning over resource-constrained wireless edge networks." IEEE Transactions on Mobile Computing (2024).
Tang, Fengxiao, Yibo Zhou, and Nei Kato. "Deep reinforcement learning for dynamic uplink/downlink resource allocation in high mobility 5G HetNet." IEEE Journal on selected areas in communications 38.12 (2020): 2773-2782.
Xiong, Xiong, et al. "Resource allocation based on deep reinforcement learning in IoT edge computing." IEEE Journal on Selected Areas in Communications 38.6 (2020): 1133-1146.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Authors who submit to this conference agree to the following terms:a) Authors retain copyright over their work, while allowing the conference to place this unpublished work under a Creative Commons Attribution License, which allows others to freely access, use, and share the work, with an acknowledgement of the work's authorship and its initial presentation at this conference.
b) Authors are able to waive the terms of the CC license and enter into separate, additional contractual arrangements for the non-exclusive distribution and subsequent publication of this work (e.g., publish a revised version in a journal, post it to an institutional repository or publish it in a book), with an acknowledgement of its initial presentation at this conference.
c) In addition, authors are encouraged to post and share their work online (e.g., in institutional repositories or on their website) at any point before and after the conference.
