BSAC-CoEx: Coexistence of URLLC and Distributed Learning Services via Device Selection

要約

分散型インテリジェンスの最近の進歩により、産業の自動化から自律輸送まで、多様なアプリケーションにわたって印象的な進歩が促進されています。
それにもかかわらず、ワイヤレスネットワーク上に分散学習サービスを展開することは、多くの課題をもたらします。
これらは、ワイヤレス環境（ランダムチャネルの変動など）に固有の不確実性、限られたリソース（帯域幅や送信電力など）、およびネットワーク上の共存サービスの存在から生じます。
このホワイトペーパーでは、より優先順位の超信頼性の低いレイテンシー通信（URLLC）と低優先度分散学習サービスがネットワーク上で同時に実行される混合サービスシナリオを調査します。
デバイスの選択を利用して、分散学習の収束時間を最小限に抑えながら、同時にURLLCサービスの要件を満たすことを目指しています。
この問題をマルコフの決定プロセスとして定式化し、BSAC-COEXを介して対処します。BSAC-COEXは、俳優のニューラルネットワークの別個のブランチを通じて各デバイスの参加決定を決定する分岐ソフトアクタークリティック（BSAC）アルゴリズムに基づいたフレームワークです。
ファクトリーオートメーションユースケースの3GPP標準に準拠した現実的なシミュレーターでソリューションを評価します。
私たちのシミュレーション結果は、私たちのソリューションが分散学習サービスのトレーニング遅延を大幅に減少させることができることを確認していますが、URLLCの可用性は必要なしきい値を超え、URLLCがすべてのワイヤレスリソースのみを消費するシナリオに近づくことができます。

要約(オリジナル)

Recent advances in distributed intelligence have driven impressive progress across a diverse range of applications, from industrial automation to autonomous transportation. Nevertheless, deploying distributed learning services over wireless networks poses numerous challenges. These arise from inherent uncertainties in wireless environments (e.g., random channel fluctuations), limited resources (e.g., bandwidth and transmit power), and the presence of coexisting services on the network. In this paper, we investigate a mixed service scenario wherein high-priority ultra-reliable low latency communication (URLLC) and low-priority distributed learning services run concurrently over a network. Utilizing device selection, we aim to minimize the convergence time of distributed learning while simultaneously fulfilling the requirements of the URLLC service. We formulate this problem as a Markov decision process and address it via BSAC-CoEx, a framework based on the branching soft actor-critic (BSAC) algorithm that determines each device’s participation decision through distinct branches in the actor’s neural network. We evaluate our solution with a realistic simulator that is compliant with 3GPP standards for factory automation use cases. Our simulation results confirm that our solution can significantly decrease the training delays of the distributed learning service while keeping the URLLC availability above its required threshold and close to the scenario where URLLC solely consumes all wireless resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google