論文の概要: Reinforcement Learning-Based Joint Self-Optimisation Method for the
Fuzzy Logic Handover Algorithm in 5G HetNets
- arxiv url: http://arxiv.org/abs/2006.05010v3
- Date: Sat, 27 Feb 2021 07:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 15:38:56.453073
- Title: Reinforcement Learning-Based Joint Self-Optimisation Method for the
Fuzzy Logic Handover Algorithm in 5G HetNets
- Title（参考訳）: 強化学習に基づく5g hetnetsにおけるファジィ論理ハンドオーバアルゴリズムの自己最適化手法
- Authors: Qianyu Liu, Chiew Foong Kwong, Sun Wei, Sijia Zhou, Lincan Li
- Abstract要約: 5Gのヘテロジニアスネットワーク(HetNets)は、4Gマクロシステム内に大規模な小さな基地局(BSs)を配置することで、ユーザに対してより高いネットワークカバレッジとシステム容量を提供できる。
現在のハンドオーバ(HO)トリガー機構A3イベントは、マクロシステムのモビリティ管理のためにのみ設計された。
本研究は,自己組織化ネットワーク(SON)の概念に触発され,自動ネットワーク保守を実現する自己最適化トリガ機構を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 5G heterogeneous networks (HetNets) can provide higher network coverage and
system capacity to the user by deploying massive small base stations (BSs)
within the 4G macro system. However, the large-scale deployment of small BSs
significantly increases the complexity and workload of network maintenance and
optimisation. The current handover (HO) triggering mechanism A3 event was
designed only for mobility management in the macro system. Directly
implementing A3 in 5G-HetNets may degrade the user mobility robustness.
Motivated by the concept of self-organisation networks (SON), this study
developed a self-optimised triggering mechanism to enable automated network
maintenance and enhance user mobility robustness in 5G-HetNets. The proposed
method integrates the advantages of subtractive clustering and Q-learning
frameworks into the conventional fuzzy logic-based HO algorithm (FLHA).
Subtractive clustering is first adopted to generate a membership function (MF)
for the FLHA to enable FLHA with the self-configuration feature. Subsequently,
Q-learning is utilised to learn the optimal HO policy from the environment as
fuzzy rules that empower the FLHA with a self-optimisation function. The FLHA
with SON functionality also overcomes the limitations of the conventional FLHA
that must rely heavily on professional experience to design. The simulation
results show that the proposed self-optimised FLHA can effectively generate MF
and fuzzy rules for the FLHA. By comparing with conventional triggering
mechanisms, the proposed approach can decrease the HO, ping-pong HO, and HO
failure ratios by approximately 91%, 49%, and 97.5% while improving network
throughput and latency by 8% and 35%, respectively.
- Abstract（参考訳）: 5Gのヘテロジニアスネットワーク(HetNets)は、4Gマクロシステム内に大規模な小さな基地局(BSs)を配置することで、ユーザに対してより高いネットワークカバレッジとシステム容量を提供できる。
しかしながら、小規模bssの大規模デプロイメントは、ネットワークのメンテナンスと最適化の複雑さとワークロードを大幅に増加させる。
現在のハンドオーバ(HO)トリガー機構A3イベントは、マクロシステムのモビリティ管理のためにのみ設計された。
5G-HetNetにA3を直接実装すれば、ユーザモビリティの堅牢性が低下する可能性がある。
本研究は, 自己組織化ネットワーク(SON)の概念により, 5G-HetNetにおける自己最適化トリガ機構を開発した。
提案手法は,従来のファジィ論理に基づくhoアルゴリズム (flha) にサブトラクションクラスタリングとq学習フレームワークの利点を統合する。
サブトラクティブクラスタリングは、FLHAのためのメンバシップ関数(MF)を生成するために最初に採用され、自己設定機能でFLHAを有効にする。
その後、Q-ラーニングを用いて環境から最適なHOポリシーを学習し、FLHAに自己最適化機能を持たせるファジィルールとして利用する。
SON機能を備えたFLHAもまた、設計に専門的な経験に大きく依存しなければならない従来のFLHAの限界を克服している。
シミュレーションの結果,提案した自己最適化FLHAは,FLHAのMFおよびファジィ規則を効果的に生成できることがわかった。
従来のトリガー機構と比較することにより,HO,ping-pong HO,HOの故障率を約91%,49%,97.5%削減し,ネットワークスループットとレイテンシを8%,35%向上させることができる。
関連論文リスト
- Efficient Model Compression for Hierarchical Federated Learning [10.37403547348343]
フェデレートラーニング(FL)は、分散ラーニングシステム内のプライバシを保護する能力のために、大きな注目を集めている。
本稿では,クラスタ化FLとモデル圧縮の利点を統合した新しい階層型FLフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-27T12:17:47Z) - Adaptive Hybrid Model Pruning in Federated Learning through Loss Exploration [17.589308358508863]
我々は、フェデレートされた損失探索フェーズを利用して、適応型ハイブリッドプルーニングを駆動する革新的アプローチであるAutoFLIPを紹介する。
我々は,AutoFLIPがグローバルコンバージェンスを効率的に加速するだけでなく,従来の手法に比べて精度と堅牢性も向上することを示した。
論文 参考訳（メタデータ） (2024-05-16T17:27:41Z) - AEDFL: Efficient Asynchronous Decentralized Federated Learning with
Heterogeneous Devices [61.66943750584406]
異種環境におけるAEDFL(Asynchronous Efficient Decentralized FL framework)を提案する。
まず、FL収束を改善するための効率的なモデル集約手法を用いた非同期FLシステムモデルを提案する。
次に,より優れた精度を実現するために,動的安定化を考慮したモデル更新手法を提案する。
第3に,通信コストと計算コストを大幅に削減する適応スパース学習法を提案する。
論文 参考訳（メタデータ） (2023-12-18T05:18:17Z) - FLCC: Efficient Distributed Federated Learning on IoMT over CSMA/CA [0.0]
フェデレートラーニング(FL)は、プライバシー保護のための有望なアプローチとして登場した。
本稿では,アドホックネットワーク上で遠隔医療システムを改善するアプリケーションにおけるFLの性能について検討する。
ネットワーク性能を評価するための指標として,1) 干渉を最小限に抑えながら伝送を成功させる確率,2) 精度と損失の点で分散FLモデルの性能を示す。
論文 参考訳（メタデータ） (2023-03-29T16:36:42Z) - Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation
and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。
最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。
本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文 参考訳（メタデータ） (2023-03-23T02:42:10Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Resource Allocation in Multicore Elastic Optical Networks: A Deep
Reinforcement Learning Approach [47.187609203210705]
新しい環境はOpenAIのGymと互換性がある。
ネットワーク状態と物理層関連の側面を考慮してエージェントアクションを処理する。
ベストパフォーマンス剤は、ブロッキング確率の4倍の低下を達成する。
論文 参考訳（メタデータ） (2022-07-05T14:24:21Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - AutoFL: Enabling Heterogeneity-Aware Energy Efficient Federated Learning [7.802192899666384]
フェデレーション学習は、エッジに分散化されたモバイルデバイスのクラスタを配置して、共有機械学習モデルを協調的にトレーニングすることを可能にする。
この分散トレーニングアプローチは、プライバシー漏洩のリスクを軽減するための実用的なソリューションとして実証されている。
本稿では,最先端FL症例の時間対収束性とエネルギー効率を協調的に最適化する。
論文 参考訳（メタデータ） (2021-07-16T23:41:26Z) - MicroNet: Towards Image Recognition with Extremely Low FLOPs [117.96848315180407]
MicroNetは計算コストの極めて低い効率的な畳み込みニューラルネットワークである。
MicroNetのファミリは、低いFLOP体制における最先端技術よりも大きなパフォーマンス向上を実現している。
例えば、MicroNet-M1は12のMFLOPを持つImageNet分類において61.1%のトップ-1の精度を達成し、MobileNetV3を11.3%上回っている。
論文 参考訳（メタデータ） (2020-11-24T18:59:39Z)
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。