論文の概要: Low-latency Federated Learning and Blockchain for Edge Association in
Digital Twin empowered 6G Networks
- arxiv url: http://arxiv.org/abs/2011.09902v1
- Date: Tue, 17 Nov 2020 04:11:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:13:50.362829
- Title: Low-latency Federated Learning and Blockchain for Edge Association in
Digital Twin empowered 6G Networks
- Title(参考訳): ディジタルツイン6Gネットワークにおけるエッジアソシエーションのための低レイテンシフェデレーション学習とブロックチェーン
- Authors: Yunlong Lu, Xiaohong Huang, Ke Zhang, Sabita Maharjan, Yan Zhang
- Abstract要約: デジタル双生児と第6世代モバイルネットワーク(6G)は、産業用モノのインターネット(IIoT)におけるエッジインテリジェンスの実現を加速した。
我々は、デジタルツインを無線ネットワークに組み込むことにより、DTWN(Digital Twin Wireless Networks)を導入する。
我々は、協調コンピューティングのためのDTWNで動作するブロックチェーン強化フェデレーション学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 8.229148322933876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emerging technologies such as digital twins and 6th Generation mobile
networks (6G) have accelerated the realization of edge intelligence in
Industrial Internet of Things (IIoT). The integration of digital twin and 6G
bridges the physical system with digital space and enables robust instant
wireless connectivity. With increasing concerns on data privacy, federated
learning has been regarded as a promising solution for deploying distributed
data processing and learning in wireless networks. However, unreliable
communication channels, limited resources, and lack of trust among users,
hinder the effective application of federated learning in IIoT. In this paper,
we introduce the Digital Twin Wireless Networks (DTWN) by incorporating digital
twins into wireless networks, to migrate real-time data processing and
computation to the edge plane. Then, we propose a blockchain empowered
federated learning framework running in the DTWN for collaborative computing,
which improves the reliability and security of the system, and enhances data
privacy. Moreover, to balance the learning accuracy and time cost of the
proposed scheme, we formulate an optimization problem for edge association by
jointly considering digital twin association, training data batch size, and
bandwidth allocation. We exploit multi-agent reinforcement learning to find an
optimal solution to the problem. Numerical results on real-world dataset show
that the proposed scheme yields improved efficiency and reduced cost compared
to benchmark learning method.
- Abstract(参考訳): デジタルツインや第6世代モバイルネットワーク(6G)のような新興技術は、産業用モノのインターネット(IIoT)におけるエッジインテリジェンスの実現を加速している。
デジタルツインと6gの統合は物理システムとデジタル空間を橋渡しし、堅牢なインスタントワイヤレス接続を可能にする。
データプライバシへの懸念が高まる中、フェデレーション学習は、無線ネットワークに分散データ処理と学習をデプロイするための有望なソリューションと見なされている。
しかし、信頼できないコミュニケーションチャネル、限られたリソース、ユーザ間の信頼の欠如は、IIoTにおけるフェデレーション学習の効果的な適用を妨げる。
本稿では,Digital Twin Wireless Networks(DTWN)について,ディジタルツインを無線ネットワークに組み込むことで,リアルタイムデータ処理と計算をエッジプレーンに移行させる。
次に,協調コンピューティングのためのdtwnで動作し,システムの信頼性とセキュリティを向上し,データのプライバシを向上した,ブロックチェーンによる連合学習フレームワークを提案する。
さらに,提案手法の学習精度と時間コストのバランスをとるために,デジタルツインアソシエーション,トレーニングデータバッチサイズ,帯域幅割り当てを共同で検討することにより,エッジアソシエーションの最適化問題を定式化する。
マルチエージェント強化学習を用いて,この問題に対する最適解を求める。
実世界のデータセットの数値計算結果から,提案手法はベンチマーク学習法と比較して効率の向上とコスト削減を図っている。
関連論文リスト
- Digital Twin-Enhanced Deep Reinforcement Learning for Resource
Management in Networks Slicing [46.65030115953947]
本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。
具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。
また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
論文 参考訳(メタデータ) (2023-11-28T15:25:14Z) - Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving
for Internet of Things [4.68267059122563]
本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。
このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。
また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
論文 参考訳(メタデータ) (2023-11-08T05:14:41Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳(メタデータ) (2023-07-14T04:13:11Z) - FedDCT: A Dynamic Cross-Tier Federated Learning Scheme in Wireless
Communication Networks [1.973745731206255]
フェデレートラーニング(FL)は、クライアント間で、ローカルデータを公開せずにグローバルモデルのトレーニングを可能にする。
我々は、無線通信ネットワークにおけるトレーニング精度と性能を向上させるために、FedDCTと呼ばれる新しい動的クロス層FLスキームを提案する。
論文 参考訳(メタデータ) (2023-07-10T08:54:07Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳(メタデータ) (2022-02-03T07:12:36Z) - Deep Transfer Learning: A Novel Collaborative Learning Model for
Cyberattack Detection Systems in IoT Networks [17.071452978622123]
フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。
FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。
このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
論文 参考訳(メタデータ) (2021-12-02T05:26:29Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳(メタデータ) (2021-10-22T13:25:57Z) - 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) - 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。