权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

MLWiNS: RL-based Self-driving Wireless Network Management System for QoE Optimization

MLWiNS：基于强化学习的自动驱动无线网络管理系统，用于 QoE 优化

基本信息

批准号：
2003257
负责人：
Arpit Gupta
金额：
$ 56万
依托单位：
University of California-Santa Barbara
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2020
资助国家：
美国
起止时间：
2020-08-01 至 2024-07-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2003257&HistoricalAwards=false
关键词：
MLWiNS RL based Self driving

项目摘要

The proliferation of Internet-connected devices and applications, which are heavily reliant on high-speed, robust networks, have made the management of networks difficult and complicated. While the incorporation of programmable switches and machine-learning tools in data-centers and wide-area networks has contributed to improvements in Quality of Experience (QoE), access networks, which heavily rely on human operators for most network management tasks, remain the final frontier for providing a high quality of experience to end-users. The goal of this project is to design, implement, and evaluate RELIEF, a REinforcement-LearnIng (RL)-based sElF-driving wireless network-management system that can dynamically update network configurations to detect, diagnose, and resolve network events that contribute to QoE degradation. This project will develop new data-collection tools to capture fine-grained network data, new metrics to quantify QoE for the network, a scalable and explainable RL-based learning model to dynamically configure the underlying network and data-processing pipelines for QoE optimization. This project pursues fundamental contributions to the reinforcement learning area by developing novel solutions to inherent statistical and computational challenges. Finally, this project will design new programming abstractions and data structures to build an end-to-end system that optimizes the use of limited network resources to execute the trained RL models at scale.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

互联网连接设备和应用的激增严重依赖于高速、强大的网络，这使得网络管理变得困难和复杂。虽然在数据中心和广域网中集成可编程交换机和机器学习工具有助于提高体验质量（QoE），但接入网仍然是为最终用户提供高质量体验的最后前沿，因为大多数网络管理任务严重依赖人工操作员。该项目的目标是设计、实现和评估RELIEF，这是一个基于强化学习（RL）的自动驾驶无线网络管理系统，可以动态更新网络配置，以检测、诊断和解决导致QoE下降的网络事件。该项目将开发新的数据收集工具来捕获细粒度的网络数据，新的指标来量化网络的QoE，一个可扩展和可解释的基于强化学习的学习模型来动态配置底层网络和数据处理管道，以优化QoE。该项目通过开发针对固有统计和计算挑战的新颖解决方案，为强化学习领域做出根本性贡献。最后，该项目将设计新的编程抽象和数据结构，以构建一个端到端系统，优化有限网络资源的使用，以大规模执行训练好的强化学习模型。该奖项反映了美国国家科学基金会的法定使命，并通过使用基金会的知识价值和更广泛的影响审查标准进行评估，被认为值得支持。

项目成果

期刊论文数量（13）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Detecting Ephemeral Optical Events with OpTel

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
Congcong Miao;Minggang Chen;Arpit Gupta;Zili Meng;Lianjin Ye;Jingyu Xiao;Jie Chen;Zekun He;Xulong Luo;Jilong Wang;Heng Yu
通讯作者：
Congcong Miao;Minggang Chen;Arpit Gupta;Zili Meng;Lianjin Ye;Jingyu Xiao;Jie Chen;Zekun He;Xulong Luo;Jilong Wang;Heng Yu

Towards client-side active measurements without application control

实现无需应用程序控制的客户端主动测量

DOI：
10.1145/3523230.3523234
发表时间：
2022
期刊：
ACM SIGCOMM Computer Communication Review
影响因子：
2.8
作者：
Goenka, Palak;Zarifis, Kyriakos;Gupta, Arpit;Calder, Matt
通讯作者：
Calder, Matt

A NetAI Manifesto (Part I): Less Explorimentation, More Science

NetAI 宣言（第一部分）：更少的探索，更多的科学

DOI：
10.1145/3626570.3626609
发表时间：
2023
期刊：
ACM SIGMETRICS Performance Evaluation Review
影响因子：
0
作者：
Willinger, Walter;Gupta, Arpit;Jacobs, Arthur S.;Beltiukov, Roman;Ferreira, Ronaldo A.;Granville, Lisandro
通讯作者：
Granville, Lisandro

Estimating WebRTC Video QoE Metrics Without Using Application Headers