- 使用强化学习对覆盖范围外车辆通信进行调度
本研究提出了一种使用强化学习的集中式调度程序(VRLS),用于提高无蜂窝覆盖区域内车辆间通信的可靠性,并评估了其性能表现。该程序可以在模拟车辆环境中学习一种稳健和适应性强的调度策略,为出行前分配资源,并在无蜂窝覆盖区域内优于现有分布式调度算 - 基于机器学习的卫星 - 高空平台 - 地面一体化网络的用户调度
本文介绍了机器学习在综合空地海网络中用户调度上的应用,着重探讨了深度神经网络在优化用户调度策略上的优点,并提出了一些未来发展中的挑战和问题。
- MetaNet: 云环境中自动化动态调度策略的选择
本研究旨在使用元模型 MetaNet 来解决在线动态选择调度策略的问题,以优化任务调度和执行成本。相比于现有的深度学习调度器,MetaNet 能使执行成本、能源消耗、响应时间和服务水平协议的违规率分别提高 11、43、8 和 13%左右。
- AAAI基于分布式资源感知的异构系统学习
介绍了一种分布式训练神经网络的资源管理机制 ——DISTREAL,采用动态 dropout 机制调整每个设备的计算复杂度,通过 Pareto-optimal DSE 技术和联邦学习系统,实现了设备自主选择 dropout 向量来适应不断变化 - MM联邦学习与下一代无线通信:双向关系的调查
研究如何应用联邦学习和机器学习,实时决策和调整无线通信网络中的无线资源和管理,并突出它们与无线通信的双向关系
- MM神经校准通讯的学习:可扩展性与泛化
本文提出了一种可扩展和通用的神经校准框架,其中采用神经网络来校准传统基于模型的算法的输入,应用于解决大规模 MIMO 系统中的资源管理问题,并表明与现有的基于学习的方法相比,提出的神经校准方法具有更好的可伸缩性和普适性。
- KDDJIZHI: 用于百度规模在线推理的快速经济的模型即服务系统
JIZHI is a Model-as-a-Service system for online real-time inference serving, which employs Staged Event-Driven Pipeline, - 通过 Twin Delayed DDPG 和 OpenAI Gym 实现连续多目标零触碰网络切片
这篇论文介绍了一种使用人工智能技术的网络切片自动化资源管理方法,采用多目标策略并使用深度强化学习方法以最小化延迟、能源消耗和虚拟网络功能实例化成本。通过实验结果表明,该方法在提高切片成功率、降低延迟、节能和利用 CPU 方面具有优越性。
- EC-SAGINs: 边缘计算增强的空地一体化车联网
本文从现有的轨道和空中边缘计算架构出发,提出了一种边缘计算增强的空中 - 地面 - 空间一体化网络(EC-SAGINs),以缩小任务完成时间和卫星资源使用。我们提出了一种预分类方案,以减小动作空间的大小,并提出了一种驱动卸载和缓存算法的深度 - 多接入边缘计算系统中基于能源感知的联邦学习资源管理
在本文中,我们提出了一种能够减少总时间消耗和移动设备能量消耗的能量感知资源管理策略,同时考虑到移动设备的能量限制,将问题重新架构为广义 Nash 平衡问题,分析了数据集卸载和计算资源分配对模型训练损失、时间和能量消耗的影响。
- MM联邦学习与工业物联网的融合:一项综述
本文概述了在工业物联网中整合联邦学习的隐私、资源和数据管理,并针对联邦学习技术在工业物联网中实现数据隐私保护、本地学习等方面的应用提出了挑战、可能的解决方案和未来研究方向。
- 深度强化学习在蜂窝网络中联合频谱和功率分配中的应用
本文提出了一个学习框架来优化无线网络的频谱和功率分配,使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练,模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。
- 使用隐私保护联邦学习的无人机网络:基于学习的联合调度和资源管理
本文提出了一个多无人机网络上异步联邦学习框架,避免将原始数据发送到无人机服务器中进行模型训练,同时提出了异步优势演员 - 评论家算法并采用设备选择策略、无人机部署和资源管理算法来提高学习收敛速度和准确性。仿真结果表明,相比于现有解决方案,我 - FIRM:面向 SLO 的微服务智能精细化资源管理框架
本文提出了一种名为 FIRM 的智能细粒度资源管理框架,通过机器学习的方法,检测和缓解微服务共享资源引起的延迟,有效地提高了系统资源利用率和性能预测性。
- MM序列到序列模型用于工作量干扰
本文提出了一种基于长短时记忆神经网络的序列到序列模型的方法,用于预测共同执行作业的足迹对资源的使用情况和执行时间的变化,并在高性能计算基准测试中进行了验证,表明该模型能够正确地识别以前看到和未看到的共同调度作业的资源使用趋势。
- 离散规范化优势函数的深度强化学习用于网络切片资源管理
本文采用离散归一化优势函数将深度强化学习算法应用于网络切片中资源管理的问题,将 Q - 值函数分离,使用确定性策略梯度下降算法避免不必要的计算,并利用 k 最近邻算法在离散空间中快速找到有效行动,提高网络切片的收敛速度。
- 机器学习在无线网络中的应用:关键技术与未解决问题
本文全面调查了机器学习在无线通信中的应用,分类为 MAC 层的资源管理,网络层的网络和移动性管理,以及应用层的定位,并根据采用的机器学习技术组织了每个方面的文献。同时,提出了使用 ML 的条件和未解决的问题,以促进未来的研究。
- MM基于深度强化学习的绿色雾计算射频接入网络的模式选择和资源管理
提出基于深度强化学习 (DRL) 的联合模式选择和资源管理方法,使用智能决策优化 C-RAN 和 D2D 模式下的无线和计算资源,旨在通过边缘缓存状态的动态优化长期减少系统能耗。在模拟中,将学习率和边缘缓存服务能力等参数的影响演示出来,并将 - MM无线资源管理工程无线电图
无线电地图包括地理信号功率谱密度,其含有丰富和有用的关于无线网络中谱活动和传播通道的信息,本文提供了构建和应用无线电地图的技术概述,以实现无线网络中高效且安全的资源管理。
- 网络分片资源管理的深度强化学习
本研究探讨了深度强化学习在网络切片资源管理中的应用,并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时,从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。