論文の概要: True-data Testbed for 5G/B5G Intelligent Network

• arxiv url: http://arxiv.org/abs/2011.13152v2
• Date: Mon, 4 Jan 2021 08:51:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 12:25:01.375112
• Title: True-data Testbed for 5G/B5G Intelligent Network
• Title（参考訳）: 5G/B5GインテリジェントネットワークのためのTrue-data Testbed
• Authors: Yongming Huang, Shengheng Liu, Cheng Zhang, Xiaohu You, Hequan Wu
• Abstract要約: 私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
• 参考スコア（独自算出の注目度）: 46.09035008165811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future beyond fifth-generation (B5G) and sixth-generation (6G) mobile communications will shift from facilitating interpersonal communications to supporting Internet of Everything (IoE), where intelligent communications with full integration of big data and artificial intelligence (AI) will play an important role in improving network efficiency and providing high-quality service. As a rapid evolving paradigm, the AI-empowered mobile communications demand large amounts of data acquired from real network environment for systematic test and verification. Hence, we build the world's first true-data testbed for 5G/B5G intelligent network (TTIN), which comprises 5G/B5G on-site experimental networks, data acquisition & data warehouse, and AI engine & network optimization. In the TTIN, true network data acquisition, storage, standardization, and analysis are available, which enable system-level online verification of B5G/6G-orientated key technologies and support data-driven network optimization through the closed-loop control mechanism. This paper elaborates on the system architecture and module design of TTIN. Detailed technical specifications and some of the established use cases are also showcased.
• Abstract（参考訳）: 今後、第5世代(B5G)と第6世代(6G)のモバイルコミュニケーションは、対人コミュニケーションの促進から、ビッグデータと人工知能(AI)の完全統合によるインテリジェントなコミュニケーションが、ネットワーク効率の向上と高品質なサービス提供において重要な役割を果たすようになる。 急速な進化のパラダイムとして、AIを活用したモバイル通信は、体系的なテストと検証のために、実際のネットワーク環境から取得した大量のデータを要求する。 したがって、5G/B5Gのオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化を含む、5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します。 TTINでは、真のネットワークデータ取得、ストレージ、標準化、分析が利用可能であり、B5G/6G指向キー技術のシステムレベルのオンライン検証を可能にし、クローズドループ制御機構によるデータ駆動ネットワーク最適化をサポートする。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。 詳細な技術仕様と確立されたユースケースも紹介されている。

関連論文リスト

• Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study [59.780800481241066]
  Generative Artificial Intelligence (GenAI) は、無線データ拡張の効果的な代替手段である。 本稿では、無線ネットワークにおけるGenAI駆動型データ拡張の可能性と有効性について考察する。 本稿では,Wi-Fiジェスチャー認識のための一般化拡散モデルに基づくデータ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T05:15:25Z)
• Towards Intent-Based Network Management: Large Language Models for Intent Extraction in 5G Core Networks [10.981422497762837]
  機械学習と人工知能を第5世代(5G)ネットワークに統合することで、ネットワークインテリジェンスの限界が明らかになった。 本稿では,5Gおよび次世代インテントベースネットワークのためのLLM(Large Language Model)の開発について述べる。
  論文  参考訳（メタデータ） (2024-03-04T17:29:57Z)
• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• Near Real-Time Distributed State Estimation via AI/ML-Empowered 5G Networks [1.1938918581443054]
  エネルギー管理システムの重要な要素として状態推定関数に着目した。 i)グラフィカルモデルと信念伝播,およびi)グラフニューラルネットワークに基づく2つの強力な分散SE手法を比較した。
  論文  参考訳（メタデータ） (2022-07-22T14:48:10Z)
• Towards Supporting Intelligence in 5G/6G Core Networks: NWDAF Implementation and Initial Analysis [3.5573601621032935]
  本稿では,NWDAFをオープンソースソフトウェアを用いて開発した5Gネットワークに組み込む。 5Gネットワークの期待される限界は,6Gネットワーク開発へのモチベーションとして議論される。
  論文  参考訳（メタデータ） (2022-05-30T14:15:46Z)
• Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT [14.027983498089084]
  人工知能(AI)とインテリジェント反射面(IRS)による6G IoTのための省エネルギー通信システムを提案する。 まず、IRS対応データ伝送やAIによるネットワークリソース管理メカニズムなど、スマートで効率的な通信アーキテクチャを設計します。 第3に,提案された最適化モデルを解決するために,深層強化学習(DRL)によるネットワークリソース制御と割り当ての手法を提案する。
  論文  参考訳（メタデータ） (2020-12-29T11:56:28Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [71.31783903289273]
  6Gとフェデレーション学習の統合を導入し、6Gのための潜在的なフェデレーション学習アプリケーションを提供する。 6G通信の文脈において,重要な技術的課題,それに対応するフェデレーション学習手法,および今後のフェデレーション学習研究のためのオープンな課題について述べる。
  論文  参考訳（メタデータ） (2020-06-04T15:17:19Z)

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。