論文の概要: EAPS: Edge-Assisted Predictive Sleep Scheduling for 802.11 IoT Stations

• arxiv url: http://arxiv.org/abs/2006.15514v1
• Date: Sun, 28 Jun 2020 05:10:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 03:07:41.405413
• Title: EAPS: Edge-Assisted Predictive Sleep Scheduling for 802.11 IoT Stations
• Title（参考訳）: EAPS: 802.11 IoTステーションのエッジ支援型予測睡眠スケジューリング
• Authors: Jaykumar Sheth, Cyrus Miremadi, Amir Dezfouli, and Behnam Dezfouli
• Abstract要約: ダウンリンクパケットを期待しながら、ステーションの睡眠時間を調整するための新しいメカニズムである、エッジ支援型予測睡眠スケジューリング(EAPS)を提案する。 実験により, EAPSを用いた場合, IoT ステーションのエネルギー消費は PSM に匹敵するが, パケット配信の遅延は局が常に目覚めている場合に近いことがわかった。
• 参考スコア（独自算出の注目度）: 3.6066164404432874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The broad deployment of 802.11 (a.k.a., WiFi) access points and significant enhancement of the energy efficiency of these wireless transceivers has resulted in increasing interest in building 802.11-based IoT systems. Unfortunately, the main energy efficiency mechanisms of 802.11, namely PSM and APSD, fall short when used in IoT applications. PSM increases latency and intensifies channel access contention after each beacon instance, and APSD does not inform stations about when they need to wake up to receive their downlink packets. In this paper, we present a new mechanism---edge-assisted predictive sleep scheduling (EAPS)---to adjust the sleep duration of stations while they expect downlink packets. We first implement a Linux-based access point that enables us to collect parameters affecting communication latency. Using this access point, we build a testbed that, in addition to offering traffic pattern customization, replicates the characteristics of real-world environments. We then use multiple machine learning algorithms to predict downlink packet delivery. Our empirical evaluations confirm that when using EAPS the energy consumption of IoT stations is as low as PSM, whereas the delay of packet delivery is close to the case where the station is always awake.
• Abstract（参考訳）: 802.11(別名WiFi)アクセスポイントの広範な展開とこれらの無線トランシーバのエネルギー効率の大幅な向上により、802.11ベースのIoTシステムの構築への関心が高まっている。 残念ながら、802.11の主なエネルギー効率メカニズム、すなわちPSMとAPSDは、IoTアプリケーションでの使用時に不足している。 PSMは遅延を増大させ、各ビーコンインスタンスの後にチャンネルアクセス競合を増大させ、APSDはダウンリンクパケットを受け取るためにいつ起きる必要があるかを駅に知らせない。 本稿では,ダウンリンクパケットを期待しながらステーションの睡眠時間を調整するために,エッジアシスト型予測睡眠スケジューリング(eaps)という新しいメカニズムを提案する。 まず、Linuxベースのアクセスポイントを実装し、通信遅延に影響を与えるパラメータを収集する。 このアクセスポイントを利用することで、トラフィックパターンのカスタマイズに加えて、実環境の特性を再現するテストベッドを構築します。 次に、複数の機械学習アルゴリズムを使用してダウンリンクパケット配信を予測します。 実験により, EAPSを用いた場合, IoT ステーションのエネルギー消費は PSM に匹敵するが, パケット配信の遅延は局が常に目覚めている場合に近いことがわかった。

関連論文リスト

• Enhancing Predictive Maintenance in Mining Mobile Machinery through a TinyML-enabled Hierarchical Inference Network [0.0]
  本稿では,予測保守のためのエッジセンサネットワーク(ESN-PdM)を紹介する。 ESN-PdMはエッジデバイス、ゲートウェイ、クラウドサービスにまたがる階層的推論フレームワークで、リアルタイムな状態監視を行う。 システムは、正確性、レイテンシ、バッテリー寿命のトレードオフに基づいて、デバイス、オンゲートウェイ、あるいはクラウド上の推論位置を動的に調整する。
  論文  参考訳（メタデータ） (2024-11-11T17:48:04Z)
• Robust Generalization of Graph Neural Networks for Carrier Scheduling [4.311529300510196]
  本稿では,1000ノードまでのネットワークへの一般化(再学習なしで)を改善するGNNベースのスケジューラであるRobustGANTTを紹介する。 我々の研究は、大規模バックスキャッターネットワークにおける資源利用を改善するだけでなく、学習ベースのスケジューリングに関する貴重な洞察も提供する。
  論文  参考訳（メタデータ） (2024-07-11T13:13:24Z)
• A Neural Radiance Field-Based Architecture for Intelligent Multilayered View Synthesis [0.0]
  モバイルアドホックネットワーク(MANET)は、モバイルノードの巨大かつ合理的に密集したコミュニティで構成されている。 インフラストラクチャ間で最高のパケットルーティングを見つけることが大きな問題です。 本研究は、オンデマンドソースルーティングシステムを改善する手段として、Red Imported Fire Ants (RIFA) 戦略による最適経路選択を提案する。
  論文  参考訳（メタデータ） (2023-11-03T11:05:51Z)
• 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)
• SamurAI: A Versatile IoT Node With Event-Driven Wake-Up and Embedded ML Acceleration [37.89976990030855]
  本稿では,この処理とエネルギーのギャップを埋める汎用IoTノードであるSamurAIを2つのオンチップサブシステムを活用して提案する。 ARには1.7MOPSイベント駆動の非同期ウェイクアップコントローラ(WuC)があり、スポラディックコンピューティングに最適化された207nsの起動時間がある。 ODはディープスリープRISC-VCPUと1.3TOPS/W機械学習(ML)を組み合わせて36GOPSまでの複雑なタスクを実行する。
  論文  参考訳（メタデータ） (2023-04-11T08:52:48Z)
• Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE 802.11ax Wi-Fi Systems [8.057006406834466]
  Wi-Fi 6 IEEE 802.11axは無線ローカルネットワーク(WLAN)の第6世代(6G)技術として承認された。 本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。
  論文  参考訳（メタデータ） (2023-03-25T04:39:59Z)
• MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
  汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。 MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。 また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
  論文  参考訳（メタデータ） (2022-04-27T14:00:48Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• Blind Federated Edge Learning [93.29571175702735]
  フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。 そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2020-10-19T16:22:28Z)
• Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian Detection [99.94079901071163]
  本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。 我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。 我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
  論文  参考訳（メタデータ） (2020-04-03T17:36:26Z)
• Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge [84.55126371346452]
  遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。 各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。 数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
  論文  参考訳（メタデータ） (2020-01-28T15:15:22Z)

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。