論文の概要: Machine Learning enabled Spectrum Sharing in Dense LTE-U/Wi-Fi Coexistence Scenarios

• arxiv url: http://arxiv.org/abs/2003.13652v1
• Date: Wed, 18 Mar 2020 01:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 13:26:33.776527
• Title: Machine Learning enabled Spectrum Sharing in Dense LTE-U/Wi-Fi Coexistence Scenarios
• Title（参考訳）: LTE-U/Wi-Fi共存シナリオにおける機械学習によるスペクトル共有
• Authors: Adam Dziedzic, Vanlin Sathya, Muhammad Iqbal Rochman, Monisha Ghosh and Sanjay Krishnan
• Abstract要約: LTE-Unlicensed (LTE-U) 仕様に注目する。 Wi-Fiパケットを復号化せずに、Wi-Fiの基本サービス集合の数をリアルタイムで検出することは難しい問題である。 本稿では,LTE-U OFF期間中に観測されたエネルギー値を用いて,MLに基づく新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 10.228746210951533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The application of Machine Learning (ML) techniques to complex engineering problems has proved to be an attractive and efficient solution. ML has been successfully applied to several practical tasks like image recognition, automating industrial operations, etc. The promise of ML techniques in solving non-linear problems influenced this work which aims to apply known ML techniques and develop new ones for wireless spectrum sharing between Wi-Fi and LTE in the unlicensed spectrum. In this work, we focus on the LTE-Unlicensed (LTE-U) specification developed by the LTE-U Forum, which uses the duty-cycle approach for fair coexistence. The specification suggests reducing the duty cycle at the LTE-U base-station (BS) when the number of co-channel Wi-Fi basic service sets (BSSs) increases from one to two or more. However, without decoding the Wi-Fi packets, detecting the number of Wi-Fi BSSs operating on the channel in real-time is a challenging problem. In this work, we demonstrate a novel ML-based approach which solves this problem by using energy values observed during the LTE-U OFF duration. It is relatively straightforward to observe only the energy values during the LTE-U BS OFF time compared to decoding the entire Wi-Fi packet, which would require a full Wi-Fi receiver at the LTE-U base-station. We implement and validate the proposed ML-based approach by real-time experiments and demonstrate that there exist distinct patterns between the energy distributions between one and many Wi-Fi AP transmissions. The proposed ML-based approach results in a higher accuracy (close to 99\% in all cases) as compared to the existing auto-correlation (AC) and energy detection (ED) approaches.
• Abstract（参考訳）: 複雑なエンジニアリング問題に対する機械学習(ML)技術の適用は、魅力的で効率的なソリューションであることが証明されている。 MLは、画像認識や産業運用の自動化など、いくつかの実践的なタスクにうまく適用されています。 非線形問題の解決におけるML技術の約束は、既知のML技術の適用と、未ライセンスのスペクトルにおけるWi-FiとLTE間の無線スペクトル共有のための新しい手法の開発を目的として、この研究に影響を与えた。 本研究では,LTE-Uフォーラムが開発したLTE-Unlicensed (LTE-U)仕様に焦点をあてる。 この仕様は、コチャネルWi-Fiベーシックサービスセット(BSS)の数が1つから2つ以上に増加すると、LTE-Uベースステーション(BS)のデューティサイクルが減少することを示唆している。 しかし、Wi-Fiパケットを復号することなく、リアルタイムにチャンネル上で動作しているWi-Fi BSSの数を検出することは難しい問題である。 本研究では,LTE-U OFF時間帯に観測されたエネルギー値を用いて,MLに基づく新しい手法を提案する。 LTE-U BS OFF時間中のエネルギー値だけを観測するのは、LTE-Uベースステーションで完全なWi-Fi受信機を必要とするWi-Fiパケット全体を復号するのに比べれば比較的簡単である。 提案手法を実時間実験により実装・検証し,一方と多数の Wi-Fi AP 伝送間のエネルギー分布に異なるパターンが存在することを示す。 提案手法は,従来の自己相関法 (AC) やエネルギー検出法 (ED) と比較して高い精度 (すべての場合 99 % に近づいた) が得られる。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• Online-Score-Aided Federated Learning: Taming the Resource Constraints in Wireless Networks [26.74283774805648]
  我々は,無線アプリケーションに関連するタスクを学習するために,OSAFLと呼ばれる新しいFLアルゴリズムを提案する。 当社の大規模なシミュレーションでは,3つの異なるデータセットを持つ2つのタスクについて,OSAFLの有効性を4つの一般的なMLモデルで検証しています。
  論文  参考訳（メタデータ） (2024-08-12T01:27:06Z)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Bayesian Nonparametric Modelling for Model-Free Reinforcement Learning in LTE-LAA and Wi-Fi Coexistence [2.8427946758947304]
  この研究は、Wi-FiとLTEライセンスアクセス(LTE-LAA)エージェントの5GHz帯の共存に対処する非パラメトリックベイズ強化学習アルゴリズムを特徴とする。 報酬関数に公正度尺度を導入し、エージェント間の公平な共有を促進する。
  論文  参考訳（メタデータ） (2021-07-06T07:11:34Z)
• Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
  本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。 まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。 次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:19:55Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)

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。