分布式带宽与计算资源网络切片资源分配
机器学习
2020-02-05 v1 机器学习
摘要
网络切片已被视为 5G 支持多样化业务与应用场景的关键使能技术之一。本文研究利用通信网络提供的频谱资源与共存雾计算网络的计算资源进行的分布式网络切片。我们提出了一种基于新型控制平面实体——区域编排器（RO）的分布式框架，该实体可部署在基站（BS）与雾节点之间以协调控制其带宽与计算资源。我们提出了一种基于带部分变量分裂的乘子交替方向法（DistADMM-PVS）的分布式资源分配算法。我们证明了所提算法能最小化整个网络的平均时延，同时保证每类受支持业务的满意时延性能。仿真结果表明所提算法比其他一些现有算法收敛快得多。联合利用带宽与计算资源的网络切片相比仅单一资源的网络切片可带来约 15% 的总体时延降低。
引用
@article{arxiv.2002.01100,
title = {Efficient, Noise-Tolerant, and Private Learning via Boosting},
author = {Mark Bun and Marco Leandro Carmosino and Jessica Sorrell},
journal= {arXiv preprint arXiv:2002.01100},
year = {2020}
}
备注
33 pages