AI-Based E2E Resilient and Proactive Resource Management in Slice-Enabled 6G Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Intelligence and flexibility are the two main requirements for next-generation networks that can be implemented in network slicing (NetS) technology. This intelligence and flexibility can have different indicators in networks, such as proactivity and resilience. In this paper, we propose a novel proactive end-to-end (E2E) resource management in a packet-based model, supporting NetS. Since guaranteeing quality of service (QoS) in NetS has many challenges, we present an intelligent method that has two characteristics: resilience and proactivity. Guaranteeing successful slice provision is costly, we formulate a comprehensive model of the imposed costs. To minimize the cost function, we introduce a new optimization problem with radio, processing, and transmission resource constraints. In addition, we introduce two new constraints that guarantee the proactivity and resilience capabilities of the network based on the probability of successful slice provisioning (PSSP). Since the proposed optimization problem is non-convex, online and belongs to the NP-hard category, we adopt a deep reinforcement learning (DRL) based method to solve it. In particular, the soft actor critic (SAC) method is utilized due to its robustness in uncertain environment that the obtained results reveal that the applied method can improve the percentage of successful slice provisioned (PrSSP). In addition, the resiliency time is reduced comparatively. Finally, as the main achievement, the resilient scenario improves PrSSP compared to the non-resilient scenario.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle