講演抄録/キーワード |
講演名 |
2019-09-06 13:55
マルチエージェント深層強化学習による動的仮想リソース割当手法 ○鈴木晃人・原田薫明(NTT) IN2019-29 |
抄録 |
(和) |
近年,高画質の動画配信やOSアップデート等により,トラヒックや仮想サーバなどネットワークリソース需要の変動が激化している.既存研究の多くは一定期間内の最大値などで固定的に需要量を見積もる静的仮想リソース割当を対象としているが,需要の変動が激化する状況での静的割当はリソースの利用効率が低下してしまう.本稿では,リソースの需要変動に追従した動的仮想リソース割当に関する課題を整理するとともに,マルチエージェント深層強化学習を活用した動的仮想リソース割当手法を提案する. |
(英) |
The network traffic demands have been changing dramatically in recent years due to the growth of various types of network service, e.g., high-quality video delivery and OS update. In order to maximize the utilization efficiency of limited network resources, network resource control technology is required to take a smooth and quick operation when the traffic demands changes. In this paper, we aim to develop the dynamic network resource control method using multi-agent deep reinforcement learning, which method can quickly optimize the network resources even when traffic demands changing drastically by learning the relationship between traffic demands pattern and optimal control in advance. |
キーワード |
(和) |
NFV / 深層強化学習 / ネットワーク制御 / / / / / |
(英) |
NFV / Deep Reinforcement Learning / Network Control / / / / / |
文献情報 |
信学技報, vol. 119, no. 195, IN2019-29, pp. 35-40, 2019年9月. |
資料番号 |
IN2019-29 |
発行日 |
2019-08-29 (IN) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IN2019-29 |
研究会情報 |
研究会 |
NS IN CS NV |
開催期間 |
2019-09-05 - 2019-09-06 |
開催地(和) |
東北大学 電気通信研究所 |
開催地(英) |
Research Institute of Electrical Communication, Tohoku Univ. |
テーマ(和) |
セッション管理(SIP・IMS),相互接続技術/標準化,次世代・新世代・将来ネットワーク,クラウド/データセンタネットワーク,SDN(OpenFlow等)・NFV,IPv6,機械学習のネットワーク適用,一般 注:NV研究会は発表申込み締切日が異なります。NV研究会への発表申込はこちらからお願いします。 |
テーマ(英) |
Session management (SIP/IMS), Interoperability/Standardization, NGN/NwGN/Future networks, Cloud/Data center networks, SDN (OpenFlow, etc.)/NFV, IPv6, Machine learning, etc. |
講演論文情報の詳細 |
申込み研究会 |
IN |
会議コード |
2019-09-NS-IN-CS-NV |
本文の言語 |
日本語 |
タイトル(和) |
マルチエージェント深層強化学習による動的仮想リソース割当手法 |
サブタイトル(和) |
|
タイトル(英) |
Dynamic Virtual Resource Allocation Method Using Multi-agent Deep Reinforcement Learning |
サブタイトル(英) |
|
キーワード(1)(和/英) |
NFV / NFV |
キーワード(2)(和/英) |
深層強化学習 / Deep Reinforcement Learning |
キーワード(3)(和/英) |
ネットワーク制御 / Network Control |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
鈴木 晃人 / Akito Suzuki / スズキ アキト |
第1著者 所属(和/英) |
NTT (略称: NTT)
NTT (略称: NTT) |
第2著者 氏名(和/英/ヨミ) |
原田 薫明 / Shigeaki Harada / ハラダ シゲアキ |
第2著者 所属(和/英) |
NTT (略称: NTT)
NTT (略称: NTT) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2019-09-06 13:55:00 |
発表時間 |
25分 |
申込先研究会 |
IN |
資料番号 |
IN2019-29 |
巻番号(vol) |
vol.119 |
号番号(no) |
no.195 |
ページ範囲 |
pp.35-40 |
ページ数 |
6 |
発行日 |
2019-08-29 (IN) |
|