Distributed Optimization and Machine Learning for Virtualized 6G Wireless Networks
Optimisation distribuée et apprentissage automatique pour les réseaux sans fil virtualisés 6G
Résumé
Network slicing is a pivotal concept in the evolution of 5G networks. It empowers network operators to divide their physical resources, from the network edge to the datacenter, concurrently multiplexing multiple tenants, while adhering to each of their Service Level Agreements (SLAs). Efficient resource allocation is a critical task in this context, which has prompted recent research into Deep Neural Networks (DNNs). However, challenges arise when dealing with edge resources, including the ability to rapidly scale resources (in the order of milliseconds), and the cost of transmitting large data volumes to a cloud for centralized DNN-based processing. To tackle these issues, we propose a Distributed-DNN (DDNN) architecture, seeking to avoid under-provisioning and minimize over-provisioning. A subset of DNN layers at the network edge functions as a swift and autonomous resource allocator, complemented by an intelligent offloading mechanism that delegates a fraction of (hard) decisions to additional DNN layers in a remote cloud when needed. To implement offloading, we use: (i) a Bayesian confidence-based mechanism which employs dropout during inference to estimate the confidence level of local predictions, and (ii) a data-driven module that binary classifies data samples as either "remote" or "local". Using the publicly available Milano dataset, we investigate (offline) joint training of DDNN, and optimize (online) offloading mechanism to address the challenges of rapid resource scaling and data transmission. Our experimental results demonstrate that our architecture resolves more than 50% of decisions at the edge with no additional penalty compared to state-of-the-art centralized models.
Le découpage du réseau est un concept central dans l'évolution des réseaux 5G. Il permet aux opérateurs de réseau de diviser leurs ressources physiques, de la périphérie du réseau au centre de données, en multiplexant simultanément plusieurs locataires, tout en adhérant à chacun de leurs accords de niveau de service (SLA). L'allocation efficace des ressources est une tâche essentielle dans ce contexte, ce qui a donné lieu à des recherches récentes sur les réseaux de neurones profonds (DNN). Cependant, des défis surviennent lorsqu'il s'agit de ressources de périphérie, notamment la capacité de faire évoluer rapidement les ressources (de l'ordre de quelques millisecondes) et le coût de la transmission de gros volumes de données vers un cloud pour un traitement centralisé basé sur DNN. Pour résoudre ces problèmes, nous proposons une architecture Distributed-DNN (DDNN), cherchant à éviter le sous-provisionnement et à minimiser le surprovisionnement. Un sous-ensemble de couches DNN à la périphérie du réseau fonctionne comme un répartiteur de ressources rapide et autonome, complété par un mécanisme de déchargement intelligent qui délègue une fraction des décisions (dures) à des couches DNN supplémentaires dans un cloud distant en cas de besoin. Pour mettre en œuvre le déchargement, nous utilisons : (i) un mécanisme bayésien basé sur la confiance qui utilise l'abandon lors de l'inférence pour estimer le niveau de confiance des prédictions locales, et (ii) un module basé sur les données qui classe de manière binaire les échantillons de données comme étant "distants" ou "distants". "locale". À l'aide de l'ensemble de données Milano accessible au public, nous étudions la formation conjointe (hors ligne) de DDNN et optimisons le mécanisme de déchargement (en ligne) pour relever les défis de la mise à l'échelle rapide des ressources et de la transmission des données. Nos résultats expérimentaux démontrent que notre architecture résout plus de 50 % des décisions en périphérie sans pénalité supplémentaire par rapport aux modèles centralisés de pointe.
Origine | Version validée par le jury (STAR) |
---|