| 講演抄録／キーワード |
| 講演名 |
2019-11-26 10:30
［ポスター講演］5G RAN スライシングにおけるアンサンブル学習法を用いた 無線リソース割当手法の検討
○文 勝一・平山晴久・塚本 優・難波 忍・西村公佐（KDDI総合研究所） |
| 抄録 |
（和） |
ネットワークスライシング技術は，サービスに適した論理的なRAN (Radio Access Network)を構築することにより，基地局機能をサービスに応じてカスタマイズすることが可能となり，5Gの多様なサービス要求を満たすことが期待されている．近年，5Gシステムにおける効率的な無線リソース制御やアドミッションコントロールのために機械学習を適用する検討が進められている．しかし，DRL (Deep Reinforcement Learning)を用いた制御手法は，高い性能を得るまでに長い学習時間を要するという課題があった．本稿では，学習時間を短縮して高いパフォーマンスを得るため，アンサンブル学習法を用いたRANスライシングのアドミッションコントロール手法を提案する．本提案手法は，収束性の高い近似フレームワークとDRLフレームワークの評価結果を比較して重みを更新し，その重みに基づいた確率によってモデルを選択することで，学習時間を短縮し，無線リソースの利用効率を向上させることが可能となる．本提案手法と既存の機械学習モデルの性能比較を行うことで，本手法の有効性を示す． |
| （英） |
Network slicing allows splitting a common shared network across multiple logical networks. It configured to meet the specific service requirements of 5G network systems. Recently, research on applying machine learning for efficient slice resource management and slice admission control in 5G RAN slicing environments has been discussed. But, the existing DRL-based admission control scheme has a problem that it takes long training time to gain significant performance. In this paper, we propose a slice admission control scheme using the ensemble learning method to reduce learning time and improve performance in 5G RAN slicing environments. The ML Model Selector of the Ensemble Method Agent improves the probability of selecting a better model by updating the weight according to the performance of each model (Approximation Framework and DRL Framework) for efficient learning model selection. Through the Ensemble Learning method, it analyzes the performance result of both frameworks then updates the weight for choosing the better model after comparing. The controller selects the ML model base on the probability with weight. Our evaluation result shows that the benefits of the proposed ensemble learning method can be obtained by comparing existing types of learning methods. |
| キーワード |
（和） |
5G / RANスライシング / アドミッションコントロール / 無線リソース管理 / 機械学習 / / / |
| （英） |
5G / RAN Slicing / Admission Control / Radio Resource Management / Machine Learning / / / |
| 文献情報 |
信学技報 |
| 資料番号 |
|
| 発行日 |
|
| ISSN |
|
| PDFダウンロード |
|