論文の概要: Enhanced Pub/Sub Communications for Massive IoT Traffic with SARSA
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2101.00687v1
- Date: Sun, 3 Jan 2021 18:46:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 11:40:31.028794
- Title: Enhanced Pub/Sub Communications for Massive IoT Traffic with SARSA
Reinforcement Learning
- Title(参考訳): SARSA強化学習による大規模IoTトラフィックのためのPub/Sub通信の強化
- Authors: Carlos E. Arruda, Pedro F. Moraes, Nazim Agoulmine, Joberto S. B.
Martins
- Abstract要約: クラウド、エッジ、フォグコンピューティングは、IoTデータを収集、処理、配布するための潜在的かつ競争的な戦略である。
本稿では,通信リソースの少ないネットワークを通じて大量のIoTデータを伝送する問題について述べる。
SARSAアルゴリズムによる強化学習(Reinforcement Learning, RL)に基づく認知コミュニケーションリソース割り当てを使用する。
- 参考スコア(独自算出の注目度): 0.11470070927586014
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sensors are being extensively deployed and are expected to expand at
significant rates in the coming years. They typically generate a large volume
of data on the internet of things (IoT) application areas like smart cities,
intelligent traffic systems, smart grid, and e-health. Cloud, edge and fog
computing are potential and competitive strategies for collecting, processing,
and distributing IoT data. However, cloud, edge, and fog-based solutions need
to tackle the distribution of a high volume of IoT data efficiently through
constrained and limited resource network infrastructures. This paper addresses
the issue of conveying a massive volume of IoT data through a network with
limited communications resources (bandwidth) using a cognitive communications
resource allocation based on Reinforcement Learning (RL) with SARSA algorithm.
The proposed network infrastructure (PSIoTRL) uses a Publish/ Subscribe
architecture to access massive and highly distributed IoT data. It is
demonstrated that the PSIoTRL bandwidth allocation for buffer flushing based on
SARSA enhances the IoT aggregator buffer occupation and network link
utilization. The PSIoTRL dynamically adapts the IoT aggregator traffic flushing
according to the Pub/Sub topic's priority and network constraint requirements.
- Abstract(参考訳): センサーは広範囲に展開され、今後数年で大幅に拡大すると予想されている。
それらは一般的に、スマートシティやインテリジェントトラフィックシステム、スマートグリッド、eヘルスといった、モノのインターネット(IoT)アプリケーション領域で大量のデータを生成する。
クラウド、エッジ、フォグコンピューティングは、IoTデータを収集、処理、配布するための潜在的かつ競争的な戦略である。
しかし、クラウド、エッジ、フォグベースのソリューションは、制約のある限られたリソースネットワークインフラストラクチャを通じて、大量のIoTデータの分散に効率的に取り組む必要がある。
本稿では,sarsaアルゴリズムを用いた強化学習(rl)に基づくコグニティブ・コミュニケーション・リソース割当てを用いて,通信資源(帯域幅)が制限されたネットワークを介してiotデータを大量に伝達する問題に対処する。
提案されたネットワークインフラストラクチャ(PSIoTRL)は、パブリッシュ/サブスクライブアーキテクチャを使用して、大規模かつ高度に分散されたIoTデータにアクセスする。
SARSAに基づくバッファフラッシングのためのPSIoTRL帯域割り当てにより,IoTアグリゲータバッファの占有とネットワークリンクの利用が向上することが実証された。
PSIoTRLは、Pub/Subトピックの優先度とネットワーク制約要件に従って、IoTアグリゲータトラフィックフラッシングを動的に適応する。
関連論文リスト
- The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳(メタデータ) (2022-12-21T03:37:38Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳(メタデータ) (2022-05-27T13:09:29Z) - Service Discovery in Social Internet of Things using Graph Neural
Networks [1.552282932199974]
IoT(Internet-of-Things)ネットワークは、何千もの物理的エンティティをインテリジェントに接続して、コミュニティにさまざまなサービスを提供する。
ネットワークに存在するIoTデバイスを発見し、それに対応するサービスを要求するプロセスを複雑にしている。
異種大規模IoTネットワークに適したスケーラブルなリソース割り当てニューラルモデルを提案する。
論文 参考訳(メタデータ) (2022-05-25T12:25:37Z) - A Deep Reinforcement Learning-Based Caching Strategy for IoT Networks
with Transient Data [4.686103742494879]
過渡的なデータ生成と限られたエネルギー資源は、IoTネットワークの主要なボトルネックである。
DRLに基づくキャッシュ方式を提案し、キャッシュヒット率を改善し、IoTネットワークのエネルギー消費を削減する。
論文 参考訳(メタデータ) (2022-03-16T12:41:37Z) - A Practical AoI Scheduler in IoT Networks with Relays [8.361681706210206]
従来の2ホップリレーIoTネットワーク用のAoIスケジューラに関する文献は限られている。
ディープ強化学習(DRL)アルゴリズムは、リレー付き2ホップIoTネットワークにおけるAoIスケジューリングのために研究されている。
本稿では,リレー付き2ホップIoTネットワークのための実用的なAoIスケジューラを提案する。
論文 参考訳(メタデータ) (2022-03-08T17:47:02Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - 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) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳(メタデータ) (2020-11-25T12:51:59Z)
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。