論文の概要: Concurrent Decentralized Channel Allocation and Access Point Selection
using Multi-Armed Bandits in multi BSS WLANs
- arxiv url: http://arxiv.org/abs/2006.03350v1
- Date: Fri, 5 Jun 2020 10:20:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 02:49:27.667287
- Title: Concurrent Decentralized Channel Allocation and Access Point Selection
using Multi-Armed Bandits in multi BSS WLANs
- Title（参考訳）: マルチBSS WLANにおけるマルチアーマッド帯域を用いた同時分散チャネル割り当てとアクセスポイント選択
- Authors: \'Alvaro L\'opez-Ravent\'os, Boris Bellalta
- Abstract要約: Multi-Armed Bandits (MAB) は、分散チャネル割り当てとAP選択問題に対する実現可能なソリューションを提供することができる。
本評価は,異なるネットワークトポロジとトラフィック負荷を含むランダムに生成されたシナリオに対して行われる。
- 参考スコア（独自算出の注目度）: 2.0305676256390934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprise Wireless Local Area Networks (WLANs) consist of multiple Access
Points (APs) covering a given area. Finding a suitable network configuration
able to maximize the performance of enterprise WLANs is a challenging task
given the complex dependencies between APs and stations. Recently, in wireless
networking, the use of reinforcement learning techniques has emerged as an
effective solution to efficiently explore the impact of different network
configurations in the system performance, identifying those that provide better
performance. In this paper, we study if Multi-Armed Bandits (MABs) are able to
offer a feasible solution to the decentralized channel allocation and AP
selection problems in Enterprise WLAN scenarios. To do so, we empower APs and
stations with agents that, by means of implementing the Thompson sampling
algorithm, explore and learn which is the best channel to use, and which is the
best AP to associate, respectively. Our evaluation is performed over randomly
generated scenarios, which enclose different network topologies and traffic
loads. The presented results show that the proposed adaptive framework using
MABs outperform the static approach (i.e., using always the initial default
configuration, usually random) regardless of the network density and the
traffic requirements. Moreover, we show that the use of the proposed framework
reduces the performance variability between different scenarios. Results also
show that we achieve the same performance (or better) than static strategies
with less APs for the same number of stations. Finally, special attention is
placed on how the agents interact. Even if the agents operate in a completely
independent manner, their decisions have interrelated effects, as they take
actions over the same set of channel resources.
- Abstract（参考訳）: Enterprise Wireless Local Area Networks (WLAN) は、特定のエリアをカバーする複数のアクセスポイント(AP)で構成される。
エンタプライズ WLAN のパフォーマンスを最大化できる適切なネットワーク構成を見つけることは,AP とステーション間の複雑な依存関係を考えると,難しい作業である。
近年, 無線ネットワークにおいて, 各種ネットワーク構成がシステム性能に与える影響を効率的に探索し, 優れた性能を実現するための効果的な手法として強化学習技術が登場している。
本稿では,Multi-Armed Bandits (MABs) が,エンタープライズ WLAN シナリオにおける分散チャネル割り当てとAP選択問題に対して,実現可能なソリューションを提供できるかどうかを検討する。
そこで我々は,トンプソンサンプリングアルゴリズムを実装することによって,APと局にエージェントを付与し,最適なチャネルを探索し,どのAPを関連づけるかを学習する。
本評価は,異なるネットワークトポロジとトラフィック負荷を含むランダムに生成されたシナリオに対して行われる。
その結果,MABを用いた適応型フレームワークは,ネットワーク密度やトラフィック要求に関わらず,静的アプローチ(初期デフォルト設定を常に使用,通常はランダム)よりも優れていた。
さらに,提案フレームワークの利用により,異なるシナリオ間の性能変動を低減できることを示す。
また、同じ駅数に対してAPが少ない静的戦略よりも、同じ性能(あるいはより良い)を達成することを示す。
最後に、エージェントの相互作用に特に注意が払われている。
エージェントが完全に独立した方法で動作しても、その決定は、同一のチャネルリソースの集合に対して行動を起こすため、相互に関係する効果を持つ。
関連論文リスト
- Multi-Agent Reinforcement Learning for Network Routing in Integrated
Access Backhaul Networks [0.0]
IABネットワークの遅延を最小化しながらパケット到着率を最大化することを目的としている。
この問題を解決するため、我々はマルチエージェントで部分的に観察されたマルコフ決定プロセス(POMD)を開発した。
A2Cは他の強化学習アルゴリズムよりも優れており、ネットワーク効率が向上し、利己的エージェントの挙動が低下することを示した。
論文 参考訳（メタデータ） (2023-05-12T13:03:26Z) - Decentralized Channel Management in WLANs with Graph Neural Networks [17.464353263281907]
無線ローカルエリアネットワーク(WLAN)は、複数のアクセスポイント(AP)を管理し、トラフィック要求を満たすためにAPに無線周波数を割り当てる。
本稿では,分散的に実装可能な学習型ソリューションを提案する。
論文 参考訳（メタデータ） (2022-10-30T21:14:45Z) - Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。
MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。
実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文 参考訳（メタデータ） (2022-09-30T03:40:10Z) - Learning an Adaptive Forwarding Strategy for Mobile Wireless Networks:
Resource Usage vs. Latency [2.608874253011]
我々は、モバイルネットワークのためのスケーラブルで汎用的な単一コピールーティング戦略を学ぶために、深層強化学習を使用します。
我々の学習した単一コピールーティング戦略は、最適戦略を除いて遅延の点で他のすべての戦略より優れていることを示す。
論文 参考訳（メタデータ） (2022-07-23T01:17:23Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - Elastic Architecture Search for Diverse Tasks with Different Resources [87.23061200971912]
本研究では,異なるリソースを持つ多様なタスクを効率的に配置する上で,クラス群に対応するリソース制約や関心のタスクをテスト時に動的に指定する,新たな課題について検討する。
従来のNASアプローチでは、全てのクラスのアーキテクチャを同時に設計することを模索しており、これはいくつかの個別のタスクに最適ではないかもしれない。
本稿では、様々なリソース制約のある多様なタスクに対して、実行時に即時特殊化を可能にする、Elastic Architecture Search (EAS)と呼ばれる斬新で一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T00:54:27Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-30T03:17:20Z) - ANT: Learning Accurate Network Throughput for Better Adaptive Video
Streaming [20.544139447901113]
アダプティブビットレート(ABR)決定は、ビデオストリーミングアプリケーションで満足のいくQoE(Quality of Experience)を確保するために重要な役割を果たします。
本稿では、ネットワークスループットダイナミクスの全スペクトルを特徴付けるためにANT(a.k.a., Accurate Network Throughput)モデルを学ぶことを提案する。
その結果,現在のPensiveやOboeと比較して,ユーザQoEを65.5%,31.3%向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-04-26T12:15:53Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - Multi-path Neural Networks for On-device Multi-domain Visual
Classification [55.281139434736254]
本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。
提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。
決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
論文 参考訳（メタデータ） (2020-10-10T05:13:49Z) - Multiple Access in Dynamic Cell-Free Networks: Outage Performance and
Deep Reinforcement Learning-Based Design [24.632250413917816]
将来のセルフリー(またはセルレス)無線ネットワークでは、地理的領域の多数のデバイスが同時に多数の分散アクセスポイント(AP)によって提供される。
我々は,多数のデバイスやAPが存在する場合に,ユーザの信号の共同処理の複雑さを低減するために,新しい動的セルフリーネットワークアーキテクチャを提案する。
システム設定では, DDPG-DDQN方式は, 網羅的な検索ベース設計により, 達成可能なレートの約78%を達成できることがわかった。
論文 参考訳（メタデータ） (2020-01-29T03:00:22Z)
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。