論文の概要: MAC Protocol Design Optimization Using Deep Learning

• arxiv url: http://arxiv.org/abs/2002.02075v1
• Date: Thu, 6 Feb 2020 02:36:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 13:23:56.695273
• Title: MAC Protocol Design Optimization Using Deep Learning
• Title（参考訳）: ディープラーニングを用いたMACプロトコル設計最適化
• Authors: Hannaneh Barahouei Pasandi, Tamer Nadeem
• Abstract要約: 本稿では,ネットワークプロトコルを体系的に設計し,評価するためのDRLベースの新しいフレームワークを提案する。 他のMLベースのメソッドは主に個々のプロトコルパラメータをチューニングすることに焦点を当てていますが、主な貢献はプロトコルをパラメトリックモジュールのセットに分離することです。 本稿では,一般的な802.11のフレーバーにまたがるブロックの集合にMACプロトコルを分離するフレームワークであるDeepMACを紹介し,評価する。
• 参考スコア（独自算出の注目度）: 1.5469452301122173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL)-based solutions have recently been developed for communication protocol design. Such learning-based solutions can avoid manual efforts to tune individual protocol parameters. While these solutions look promising, they are hard to interpret due to the black-box nature of the ML techniques. To this end, we propose a novel DRL-based framework to systematically design and evaluate networking protocols. While other proposed ML-based methods mainly focus on tuning individual protocol parameters (e.g., adjusting contention window), our main contribution is to decouple a protocol into a set of parametric modules, each representing a main protocol functionality and is used as DRL input to better understand the generated protocols design optimization and analyze them in a systematic fashion. As a case study, we introduce and evaluate DeepMAC a framework in which a MAC protocol is decoupled into a set of blocks across popular flavors of 802.11 WLANs (e.g., 802.11a/b/g/n/ac). We are interested to see what blocks are selected by DeepMAC across different networking scenarios and whether DeepMAC is able to adapt to network dynamics.
• Abstract（参考訳）: 近年,通信プロトコル設計のためのディープラーニング(DL)ベースのソリューションが開発されている。 このような学習ベースのソリューションは、個々のプロトコルパラメータをチューニングするための手作業を避けることができる。 これらのソリューションは有望に見えるが、ML技術のブラックボックスの性質のため、解釈が難しい。 そこで本研究では,ネットワークプロトコルを体系的に設計し,評価するためのDRLベースの新しいフレームワークを提案する。 他のmlベースの手法は、主に個々のプロトコルパラメータ(例えば競合ウィンドウの調整)のチューニングに重点を置いているが、我々の主な貢献は、プロトコルをパラメトリックモジュールのセットに分離することであり、それぞれが主要なプロトコル機能を表し、生成されたプロトコル設計の最適化と体系的な分析をよりよく理解するためにdrl入力として使用される。 本稿では,一般的な802.11 WLAN(例:802.11a/b/g/n/ac)にまたがるブロックにMACプロトコルを分離するフレームワークであるDeepMACを紹介し,評価する。 私たちは、異なるネットワークシナリオでDeepMACが選択したブロックと、DeepMACがネットワークダイナミクスに適応できるかどうかに興味を持っています。

関連論文リスト

• Games for AI Control: Models of Safety Evaluations of AI Deployment Protocols [52.40622903199512]
  本稿では,多目的かつ部分的に観察可能なゲームとして,AI-Control Gamesを紹介した。 我々は、信頼できない言語モデルをプログラミングアシスタントとしてデプロイするためのプロトコルをモデル化、評価、合成するために、フォーマリズムを適用した。
  論文  参考訳（メタデータ） (2024-09-12T12:30:07Z)
• Towards Semantic Communication Protocols for 6G: From Protocol Learning to Language-Oriented Approaches [60.6632432485476]
  6Gシステムは、幅広い非定常タスクに対処することが期待されている。これは、静的で事前定義された従来のメディアアクセス制御(MAC)プロトコルに課題をもたらす。 データ駆動MACプロトコルが最近登場し、特定のタスクのためにシグナリングメッセージをカスタマイズする機能を提供する。 本稿では、これらのデータ駆動MACプロトコルを、3つのレベルに分類する:レベル1 MAC。レベル2 MAC。レベル2 MAC。レベル1 MAC出力を明示的なシンボルに変換することによって開発されたニューラルネットワーク指向のシンボルプロトコル、レベル3 MAC。
  論文  参考訳（メタデータ） (2023-10-14T06:28:50Z)
• Generic Selfish Mining MDP for DAG Protocols [0.0]
  Selfish Miningは、仕事の証明プロトコルにおける報酬を最大化するための戦略的なルール破りである。 それぞれのプロトコルをひとつのプログラムとして指定し、自動的に自家製マイニングMDPを導出します。
  論文  参考訳（メタデータ） (2023-09-21T09:34:37Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Online Distributed Evolutionary Optimization of Time Division Multiple Access Protocols [4.87717454493713]
  我々は,環境駆動型分散ヒルクライミングアルゴリズムによって得られたネットワークの創発特性としてプロトコルを想定する。 エネルギー消費とプロトコル性能の観点から,分散ヒルクライミングがさまざまなトレードオフに達することを示す。
  論文  参考訳（メタデータ） (2022-04-27T20:47:48Z)
• Towards Multi-agent Reinforcement Learning for Wireless Network Protocol Synthesis [2.6397379133308214]
  本稿では,無線ネットワークのためのマルチエージェント強化学習に基づくメディアアクセスフレームワークを提案する。 アクセス問題はMarkov Decision Process (MDP) として定式化され、分散学習エージェントとして機能するネットワークノード毎に強化学習を用いて解決される。
  論文  参考訳（メタデータ） (2021-02-02T17:13:37Z)
• Topology-aware Differential Privacy for Decentralized Image Classification [81.2202290003513]
  Top-DPは、分散画像分類システムの差分プライバシー保護を最適化するための新しいソリューションである。 我々は、分散化された通信トポロジのユニークな特徴を活用し、ノイズスケールを小さくし、モデルのユーザビリティを向上させる。
  論文  参考訳（メタデータ） (2020-06-14T06:42:21Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)
• Unboxing MAC Protocol Design Optimization Using Deep Learning [1.5469452301122173]
  物理層とMAC層の異なるパラメータの関係を学習するために、深層強化学習フレームワークを活用する方法について述べる。 本稿は、プロトコル設計最適化タスクに関する洞察を得る上で、我々の学習ベースのアプローチがどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-02-06T03:17:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。