論文の概要: Machine Learning Towards Enabling Spectrum-as-a-Service Dynamic Sharing
- arxiv url: http://arxiv.org/abs/2009.03756v1
- Date: Fri, 4 Sep 2020 15:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 02:27:38.190515
- Title: Machine Learning Towards Enabling Spectrum-as-a-Service Dynamic Sharing
- Title（参考訳）: 機械学習によるspectrum-as-a-service動的共有の実現
- Authors: Abdallah Moubayed and Tanveer Ahmed and Anwar Haque and Abdallah Shami
- Abstract要約: 本稿では,本論文で提案されているスペクトル共有レベルと技術について概説する。
また、Spectrum-as-a-Serviceアーキテクチャを提供することで動的共有メカニズムを採用する可能性についても論じている。
- 参考スコア（独自算出の注目度）: 8.149212297123016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growth in wireless broadband users, devices, and novel applications has
led to a significant increase in the demand for new radio frequency spectrum.
This is expected to grow even further given the projection that the global
traffic per year will reach 4.8 zettabytes by 2022. Moreover, it is projected
that the number of Internet users will reach 4.8 billion and the number of
connected devices will be close 28.5 billion devices. However, due to the
spectrum being mostly allocated and divided, providing more spectrum to expand
existing services or offer new ones has become more challenging. To address
this, spectrum sharing has been proposed as a potential solution to improve
spectrum utilization efficiency. Adopting effective and efficient spectrum
sharing mechanisms is in itself a challenging task given the multitude of
levels and techniques that can be integrated to enable it. To that end, this
paper provides an overview of the different spectrum sharing levels and
techniques that have been proposed in the literature. Moreover, it discusses
the potential of adopting dynamic sharing mechanisms by offering
Spectrum-as-a-Service architecture. Furthermore, it describes the potential
role of machine learning models in facilitating the automated and efficient
dynamic sharing of the spectrum and offering Spectrum-as-a-Service.
- Abstract（参考訳）: 無線ブロードバンドのユーザ、デバイス、そして新しいアプリケーションの増加は、新しい周波数スペクトルの需要を大幅に増加させた。
これは、2022年までに全世界のトラフィックが4.8ゼタバイトに達するという予想から、さらに増加すると予想されている。
さらに、インターネット利用者は480億人に達し、接続デバイスの数は285億台に迫ると予想されている。
しかし、スペクトルが主に割り当てられ、分割されているため、既存のサービスを拡張したり、新しいサービスを提供するためのスペクトルがより困難になっている。
これに対処するために、スペクトル利用効率を改善する潜在的な解決策としてスペクトル共有が提案されている。
効果的で効率的なスペクトル共有メカニズムを採用することは、それを実現するために統合できる様々なレベルとテクニックを考えると、それ自体が難しい課題である。
そこで本稿では,本論文で提案されている異なるスペクトル共有レベルと手法について概説する。
さらに、Spectrum-as-a-Serviceアーキテクチャを提供することで、動的共有メカニズムを採用する可能性についても論じている。
さらに、スペクトルの自動的で効率的な動的共有を促進し、Spectrum-as-a-Serviceを提供する上で、機械学習モデルが果たす役割についても説明している。
関連論文リスト
- Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。
本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。
我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-10-23T15:36:43Z) - Security and Privacy of 6G Federated Learning-enabled Dynamic Spectrum Sharing [9.199924426745945]
フェデレートラーニング(FL)を利用したスペクトルセンシング技術が注目されている。
本稿では,FL対応6Gシナリオにおけるスペクトル共有技術の最新動向について概説する。
そして、6Gの実用的な攻撃ベクトルを特定し、AIによるセキュリティとプライバシの脅威を示す。
論文 参考訳（メタデータ） (2024-06-18T06:54:15Z) - HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
Hyper SIGMAは、HSI解釈のためのビジョントランスフォーマーベースの基礎モデルである。
特別に設計されたスペクトル拡張モジュールを使用して、空間的特徴とスペクトル的特徴を統合する。
スケーラビリティ、堅牢性、クロスモーダル転送能力、実世界の適用性において大きなメリットがある。
論文 参考訳（メタデータ） (2024-06-17T13:22:58Z) - Multi-Agent Hybrid SAC for Joint SS-DSA in CRNs [17.162697767466085]
機会論的スペクトルアクセスは、認知無線ネットワーク(CRN)におけるスペクトル利用の効率を高める可能性がある
CRNでは、スペクトルセンシングとリソース割り当て(SSRA)の両方がシステムスループットの最大化に不可欠である。
我々は,ハイブリッドソフトアクター批評家MHSACのマルチエージェント実装を開発した。
論文 参考訳（メタデータ） (2024-04-22T16:30:03Z) - 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) - Distributed Deep Reinforcement Learning for Adaptive Medium Access and
Modulation in Shared Spectrum [42.54329256803276]
本研究では,非ライセンス共有スペクトルで動作する基地局の分散競合に基づく媒体アクセスについて検討する。
我々は,ネットワーク全体のダウンリンクスループットを最大化するために,競合と適応変調の両方のための学習に基づくアルゴリズムを考案した。
実証的に、政策勾配法によって蓄積された(比例的公正性)報酬は、ジェニーエイドによる適応エネルギー検出閾値よりも著しく高い。
論文 参考訳（メタデータ） (2021-09-24T03:33:45Z) - Optimal Power Allocation for Rate Splitting Communications with Deep
Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。
ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文 参考訳（メタデータ） (2021-07-01T06:32:49Z) - Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic
Spectrum Access in Cognitive Radio Networks [46.723006378363785]
ダイナミックスペクトルアクセス(DSA)は、非効率的なスペクトル利用の問題を改善するための、有望なパラダイムである。
本稿では,一般的な認知無線ネットワークにおけるマルチユーザに対する分散DSA問題について検討する。
我々は、各認知ユーザに対する状態の部分的観測可能性に対処するために、DRQN(Deep Recurrent Q-network)を用いている。
論文 参考訳（メタデータ） (2021-06-17T06:52:21Z) - Machine Learning Framework for Sensing and Modeling Interference in IoT
Frequency Bands [2.6839965970551276]
モノのインターネットをサポートする新しいアクセス技術によって、スペクトルの占有度をよりよく理解する必要性が高まっている。
共有帯域におけるIoTアプリケーションのための短時間スペクトル占有のトラフィック挙動をキャプチャし、モデル化し、既存の干渉を判定するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-10T19:10:40Z) - A Hybrid Model-based and Data-driven Approach to Spectrum Sharing in
mmWave Cellular Networks [37.00906872828011]
ミリ波帯における演算子間スペクトル共有は、スペクトル利用を著しく増加させる可能性がある。
従来のモデルに基づくスペクトル共有スキームは、演算子間調整機構について理想主義的な仮定を行う。
本稿では,ハイブリッドモデルとデータ駆動型マルチ演算スペクトル共有機構を提案する。
論文 参考訳（メタデータ） (2020-03-19T07:34:56Z)
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。