Sep, 2023

云网络融合 5G 以后的服务预测和编排的 QoS 感知

PDF
TL;DR本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法，解决了网络云集成环境中的服务放置和资源分配问题，从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。
beyond 5g networksultra-low latency communicationsedge-cloud paradigmservice placementresource allocation
发现论文，激发创造
  • 基于双深度 Q 学习的路径选择和服务部署方法，用于低延时敏感的 5G 以后应用

    通过 CCRA 框架，利用资源分配、通信、计算和容量约束等方法来最小化总成本，同时通过 B&B-CCRA 算法、WF-CCRA 算法和 DDQL-CCRA 架构来优化完全和部分已知系统下的问题。

    Sep, 2023

  • 基于综合视角的边缘云通信、计算与缓存

    本文研究了 5G 通信网络中通信、计算和缓存资源的联合优化，借助基于图形表示的学习方法以及创新的资源分配技术来实现将 3C 资源更靠近移动用户、实现低延迟、高可靠性服务的目标。

    Feb, 2018

  • 跟随我在边缘：面向移动边缘计算的移动感知动态服务部署

    本文研究了移动边缘计算下长期成本预算约束条件下的移动边缘服务性能优化问题，并应用 Lyapunov 优化将问题分解为一系列实时优化问题，提出了一种基于马尔科夫逼近的近似算法和一种基于最佳响应更新技术的分布式逼近方案，理论分析和严格评估证明了这些方法的有效性。

    Sep, 2018

  • 5G 和 B5G 网络中的机器学习 KPI 预测

    这篇论文介绍了一个在 5G 和 B5G 网络中使用的机器学习模型，用于估计吞吐量并结合当前网络状态推导其他网络 KPI 以提高服务保证。通过数值评估，验证了该 KPI 预测模型相对于其他方法在同样或几乎相同计算时间下的性能优势。

    Apr, 2024

  • 边缘云多用户推理编排的在线学习

    我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

    Feb, 2022

  • 基于深度强化学习的云原生无线网络资源分配

    基于容器虚拟化的云原生无线网络架构，应用深度强化学习算法来监控网络状态和动态分配资源，优化了网络分片和多接入边缘计算等场景的资源分配，大幅提高了网络效率。

    May, 2023

  • 图神经网络与强化学习在主动应用图像布局中的应用

    该论文将云计算转向云边界连续体的转变与数据密集型和交互式应用程序所面临的新机遇和挑战联系起来。作者提出了一种将图神经网络和强化学习中的演员 - 评论家方法相结合的主动式图像部署方法，并通过实证评估和与其他解决方案的比较来验证其有效性。结果表明，这种方法在应用程序部署方面始终取得了卓越的成果。

    Apr, 2024

  • 基于数据的 5G 预测延迟：基于网络测量的理论和实验分析

    本研究旨在利用移动网络运营商可获得的真实网络数据，对 5G 网络中的预测延迟进行彻底分析，并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试，并使用来自车辆移动、城市交通等场景的数据进行验证，结果为预测算法在实际应用中的有效性提供了有价值的见解。

    Jul, 2023

  • 基于深度强化学习的 6G 无线通信下移动边缘计算与 AI 启用的 Web3 Metaverse

    该研究提出了一种全新的质量服务（Quality-of-Service）模型，利用深度强化学习方法来找到多用户社交中接近最优的信道资源分配。全面的实验证明采用该质量服务模型可以提升整体社交体验。

    Dec, 2023

  • 基于神经网络的边缘云计算分位数优化

    本研究提出了一种基于 Gumbel-softmax 重参数化方法的边缘 - 云计算网络最佳流量分配方案的求解方法，可通过无监督学习训练出 Gumbel-softmax 采样网络来解决离散优化问题，并且该方法适用于波动性计费且在可行性和成本函数价值方面都表现出优异的性能。

    Jul, 2023