論文の概要: Usage of Network Simulators in Machine-Learning-Assisted 5G/6G Networks
- arxiv url: http://arxiv.org/abs/2005.08281v2
- Date: Tue, 2 Mar 2021 10:34:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 06:05:26.453155
- Title: Usage of Network Simulators in Machine-Learning-Assisted 5G/6G Networks
- Title(参考訳): 機械学習支援5g/6gネットワークにおけるネットワークシミュレータの利用
- Authors: Francesc Wilhelmi, Marc Carrascosa, Cristina Cano, Anders Jonsson,
Vishnu Ram, Boris Bellalta
- Abstract要約: 機械学習と通信システムのギャップを埋めるためのネットワークシミュレータの役割を考案する。
本稿では,MLネットワークに適用される前に,MLモデルのトレーニング,テスト,検証を行うためのシミュレータのアーキテクチャ統合について述べる。
本稿では,ネットワークシミュレータのML支援通信への統合について,住宅Wi-Fiネットワークの概念実証テストベッド実装を通して述べる。
- 参考スコア(独自算出の注目度): 9.390329421385415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Without any doubt, Machine Learning (ML) will be an important driver of
future communications due to its foreseen performance when applied to complex
problems. However, the application of ML to networking systems raises concerns
among network operators and other stakeholders, especially regarding
trustworthiness and reliability. In this paper, we devise the role of network
simulators for bridging the gap between ML and communications systems. In
particular, we present an architectural integration of simulators in ML-aware
networks for training, testing, and validating ML models before being applied
to the operative network. Moreover, we provide insights on the main challenges
resulting from this integration, and then give hints discussing how they can be
overcome. Finally, we illustrate the integration of network simulators into
ML-assisted communications through a proof-of-concept testbed implementation of
a residential Wi-Fi network.
- Abstract(参考訳): 間違いなく、機械学習(ML)は、複雑な問題に適用する際の前向きなパフォーマンスのため、将来のコミュニケーションの重要な推進役となるでしょう。
しかし、ネットワークシステムへのMLの適用は、特に信頼性と信頼性に関するネットワークオペレーターや他の利害関係者の間で懸念を喚起する。
本稿では,MLと通信システムのギャップを埋めるためのネットワークシミュレータの役割を考案する。
特に,ml-awareネットワークにおけるシミュレータのアーキテクチャ的統合により,運用ネットワークに適用する前にmlモデルのトレーニング,テスト,検証を行う。
さらに、この統合から生じる主な課題についての洞察を提供し、どのように克服できるかを議論するヒントを与えます。
最後に,家庭用Wi-Fiネットワークの実証テストベッド実装を通じて,ネットワークシミュレータのML支援通信への統合について述べる。
関連論文リスト
- netFound: Foundation Model for Network Security [12.062547301932966]
我々はネットワークセキュリティの基礎モデルであるnetFoundを開発した。
我々の実験は、既存の最先端MLベースのソリューションよりもnetFoundの方が優れていることを示す。
論文 参考訳(メタデータ) (2023-10-25T22:04:57Z) - Towards Cooperative Federated Learning over Heterogeneous Edge/Fog
Networks [49.19502459827366]
フェデレートラーニング(FL)は、エッジ/フォグネットワーク上で機械学習(ML)モデルをトレーニングするための一般的なテクニックとして推奨されている。
FLの従来の実装は、ネットワーク間協力の可能性を大きく無視してきた。
我々は,デバイス・ツー・デバイス(D2D)とデバイス・ツー・サーバ(D2S)インタラクションに基づいて構築された協調的エッジ/フォグMLパラダイムである協調的連合学習(CFL)を提唱する。
論文 参考訳(メタデータ) (2023-03-15T04:41:36Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳(メタデータ) (2022-05-27T13:09:29Z) - Towards Intelligent Load Balancing in Data Centers [0.5505634045241288]
本稿では,機械学習とネットワークシステムのギャップを埋めるため,Aquariusを提案する。
オフラインデータ分析とオンラインモデル展開の両方を現実的なシステムで実行する能力を示している。
論文 参考訳(メタデータ) (2021-10-27T12:47:30Z) - Machine Learning for Performance Prediction of Channel Bonding in
Next-Generation IEEE 802.11 WLANs [1.0486135378491268]
我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。
第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
論文 参考訳(メタデータ) (2021-05-29T05:33:07Z) - Distributed Learning in Wireless Networks: Recent Progress and Future
Challenges [170.35951727508225]
次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。
エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。
本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
論文 参考訳(メタデータ) (2021-04-05T20:57:56Z) - Communication-Efficient and Distributed Learning Over Wireless Networks:
Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。
本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文 参考訳(メタデータ) (2020-08-06T12:37:14Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳(メタデータ) (2020-06-07T05:11:18Z) - Machine Learning for Intelligent Optical Networks: A Comprehensive
Survey [9.947717243638289]
コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。
本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。
MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
論文 参考訳(メタデータ) (2020-03-11T13:51:38Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。