Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Distributed Learning and Cooperative Optimization for Multi-agent Autonomous Wireless Access Points

Alternativ tittel: Distribuert læring og samarbeidsoptimalisering for autonome multi-agent trådløse tilgangspunkter

Tildelt: kr 12,0 mill.

DISCO vil designe en ny generasjon av desentraliserte maskinlæring (ML)-baserte metoder for distribuert læring og samarbeidsoptimalisering over storskala autonome samarbeidende trådløse tilgangspunkter (AP), som representerer intelligente agenter. Wi-Fi-nettverk er det primære mediet for global internettrafikk, men de fungerer ikke optimalt på grunn av forstyrrelser på tvers av Wi-Fi-nettverkene. Moderne Wi-Fi-nettverk tilbyr mange nye funksjoner som har skapt en veldig stor mengde konfigurasjonsparametere for ressursallokering. Dette gjør det ekstremt komplekse å optimalisere nettverkene dynamisk. Eksisterende løsninger er typisk basert på teoretiske modeller og heuristikk, men benytter ikke målingsdata fra nettverket og kan ikke effektivt finne optimale konfigurasjonsparametere på tvers av alle AP-er fordi løsningsrommet er for stort. De få ML-baserte algoritmene som finnes forutsetter en enkelt sentralisert kontroller, men en slik løsning fungerer ikke for å administrere separat eide Wi-Fi-nettverk bl.a på grunn av at dette kan utgjøre en personverntrussel. Hovedmålene til DISCO er som følger: 1) nye distribuerte online ML-algoritmer for å lære og spore en interferensgraf som representerer den generelle dynamikken til de forstyrrende Wi-Fi-nettverkene. Dette løses ved å bruke flere datatidsserier fra AP-er og klienter, og også finne fellesskap med forstyrrende Wi-Fi-nettverk, oppdage anomalier og forutsi fremtidig atferd; 2) en fullt distribuert Multi-Agent Reinforcement Learning (MARL) algoritme for ressursallokering for å maksimere nettverksytelse (f.eks. gjennomstrømning), og som utnytter interferensgrafrepresentasjonen; 3) optimalisering av protokollen som kobler AP-ene gjennom backhaul-nettverket for å maksimere effektiviteten til de distribuerte MARL-algoritmene og håndheve personvern. Løsningene vil bli implementert ved hjelp av portable kontainerbaserte programvaremoduler og demonstrert i samarbeid med flere interessenter (Altibox,Multinett,Bell Labs).

DISCO investigates the design of a new generation of decentralized Machine Learning (ML)-based methods for distributed learning and cooperative optimization over large-scale autonomous cooperative wireless Access Points (APs), representing intelligent agents. Even though Wi-Fi networks are the primary medium for global internet traffic, their operation is far from optimal because of the lack of coordination between the different interfering Wi-Fi Networks. They have evolved tremendously, bringing new features not previously present, however, they come together with a very large plethora of configuration parameters, which makes them extremely complex to optimize dynamically. Most of solutions proposed for network resource allocation are based on models and heuristics, not data-driven, and can not find efficiently the optimal configuration of all the parameters jointly across all the APs, due to the enormous search space. The few existing ML-based algorithms assume a centralized controller, which is not possible in practice for managing separately owned Wi-Fi networks, implying also a privacy threat. DISCO novelties: 1) novel distributed online ML algorithms to learn a multi-layer and multi-modal time-varying graph representing the overall dynamics of the interfering Wi-Fi networks, by using multivariate data time-series from APs & clients, detecting clusters of interfering Wi-Fi networks, allowing also to detect anomalies and predict variables; 2) a fully distributed Graph-Time Neural Network-based Multi-Agent Reinforcement Learning (MARL) algorithm for resource allocation, which operates directly on the learned graph, 3) optimization of interplay between the protocol connecting the APs (while enforcing privacy), and the efficiency of the distributed MARL algorithm. The solutions will be implemented using portable containerized software modules and demonstrated in collaboration with key leading national and international stakeholders (Altibox, Multinett, Bell Labs).

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon