論文の概要: Computer Vision Aided URLL Communications: Proactive Service
Identification and Coexistence
- arxiv url: http://arxiv.org/abs/2103.10419v1
- Date: Thu, 18 Mar 2021 17:53:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 15:12:36.714169
- Title: Computer Vision Aided URLL Communications: Proactive Service
Identification and Coexistence
- Title（参考訳）: コンピュータビジョン支援URLL通信:積極的なサービス識別と共存
- Authors: Muhammad Alrabeiah, Umut Demirhan, Andrew Hredzak, and Ahmed Alkhateeb
- Abstract要約: 既存の超信頼性と低遅延(URLL)と強化されたモバイルブロードバンド(eMBB)サービスのサポートは、無線ネットワークにとって重要な課題です。
本論文では,新規なリソース割り当てアルゴリズムを開発するための新しいフレームワークであるtextitservice IDを提案する。
このフレームワークは、ビジュアルデータ(例えばrgbカメラによるキャプチャ)とディープラーニング(例えばディープニューラルネットワーク)に基づいています。
- 参考スコア（独自算出の注目度）: 17.623847356925964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The support of coexisting ultra-reliable and low-latency (URLL) and enhanced
Mobile BroadBand (eMBB) services is a key challenge for the current and future
wireless communication networks. Those two types of services introduce strict,
and in some time conflicting, resource allocation requirements that may result
in a power-struggle between reliability, latency, and resource utilization in
wireless networks. The difficulty in addressing that challenge could be traced
back to the predominant reactive approach in allocating the wireless resources.
This allocation operation is carried out based on received service requests and
global network statistics, which may not incorporate a sense of
\textit{proaction}. Therefore, this paper proposes a novel framework termed
\textit{service identification} to develop novel proactive resource allocation
algorithms. The developed framework is based on visual data (captured for
example by RGB cameras) and deep learning (e.g., deep neural networks). The
ultimate objective of this framework is to equip future wireless networks with
the ability to analyze user behavior, anticipate incoming services, and perform
proactive resource allocation. To demonstrate the potential of the proposed
framework, a wireless network scenario with two coexisting URLL and eMBB
services is considered, and two deep learning algorithms are designed to
utilize RGB video frames and predict incoming service type and its request
time. An evaluation dataset based on the considered scenario is developed and
used to evaluate the performance of the two algorithms. The results confirm the
anticipated value of proaction to wireless networks; the proposed models enable
efficient network performance ensuring more than $85\%$ utilization of the
network resources at $\sim 98\%$ reliability. This highlights a promising
direction for the future vision-aided wireless communication networks.
- Abstract（参考訳）: 既存の超信頼性・低レイテンシ(URLL)と拡張モバイルブロードバンド(eMBB)サービスのサポートは、現在および将来の無線通信ネットワークにおいて重要な課題である。
これら2つのタイプのサービスは、信頼性、レイテンシ、および無線ネットワークにおけるリソース利用の間のパワーストローグを生じさせる可能性のあるリソース割り当て要件を、厳密で、時には矛盾する形で導入する。
この課題に対処することの難しさは、無線リソースを割り当てる主要なリアクティブアプローチにまで遡ることができる。
この割り当て操作は、受信したサービスリクエストとグローバルネットワーク統計に基づいて行われ、これは \textit{proaction} という感覚を取り入れない可能性がある。
そこで本稿では,新しいプロアクティブなリソース割り当てアルゴリズムを開発するためのフレームワークである「textit{service Identification}」を提案する。
開発したフレームワークは、ビジュアルデータ(例えばrgbカメラによるキャプチャ)とディープラーニング(例えばディープニューラルネットワーク)に基づいている。
このフレームワークの最終的な目的は、将来の無線ネットワークにユーザの振る舞いを分析し、入ってくるサービスを予測し、アクティブなリソース割り当てを行う能力を持たせることである。
提案フレームワークの可能性を実証するために,既存の2つのURLLとeMBBサービスを備えた無線ネットワークシナリオを検討し,RGBビデオフレームを利用した2つのディープラーニングアルゴリズムを設計し,入ってくるサービスタイプとその要求時間を予測する。
検討したシナリオに基づく評価データセットを開発し,この2つのアルゴリズムの性能評価に用いた。
提案したモデルでは,ネットワークリソースの利用率を$\sim 98\%$信頼性で 85\% 以上確保し,効率的なネットワーク性能を実現する。
これは将来のビジョン支援無線通信ネットワークにとって有望な方向性である。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Adaptive Digital Twin and Communication-Efficient Federated Learning Network Slicing for 5G-enabled Internet of Things [8.11509914300497]
ネットワークスライシングは、ネットワークリソースの効率的な使用と管理を通じて、増大する要求を満たすために、マルチサービスとリソース要求を区別した産業用IoTネットワークを可能にする。
次世代のIndustry 4.0は、物理システムを正確な意思決定のためにデジタルモデルにマッピングするデジタルツインを導入した。
提案手法では,まずグラフアテンションネットワークを用いて,ネットワークスライスのためのディジタルツイン環境を構築し,リアルタイムトラフィック分析,監視,需要予測を実現する。
論文 参考訳（メタデータ） (2024-06-22T15:33:35Z) - Network Aware Compute and Memory Allocation in Optically Composable Data
Centres with Deep Reinforcement Learning and Graph Neural Networks [0.0]
リソースを分離したデータセンタアーキテクチャは、データセンタ内でリソースをリモートにプールする手段を約束する。
データセンターネットワーク(DCN)における光スイッチング回路のバックボーンを用いて,これを実現する方法を示す。
本稿では, エンフディープ強化学習を用いて, 効率的なエンフネットワーク認識と, エンフトポロジ的にスケール可能なアロケーションポリシをエンドツーエンドに学習する方法を示す。
論文 参考訳（メタデータ） (2022-10-26T09:46:50Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳（メタデータ） (2022-05-22T07:11:57Z) - Multi Objective Resource Optimization of Wireless Network Based on Cross
Domain Virtual Network Embedding [6.019028366261091]
本稿では,無線ネットワークリソース割り当てのための多目的最適化VNEアルゴリズムを提案する。
提案した目的式によると、最適化マッピングコスト、ネットワーク遅延、VNR受け入れ率について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:26:10Z) - IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless
Network Communication Mode [49.734868032441625]
本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。
このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。
本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
論文 参考訳（メタデータ） (2022-02-03T03:34:06Z) - 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) - Vision-Aided 6G Wireless Communications: Blockage Prediction and
Proactive Handoff [15.682727572668826]
遮断に対する感度は、高周波(5Gミリ波と6Gサブテラヘルツ)無線ネットワークにとって重要な課題です。
信頼性とレイテンシの課題に取り組む有望な方法は、無線ネットワークのプロアクションを可能にすることだ。
本稿では,bimodal machine learningを用いた視覚支援型無線通信ソリューションを提案する。
論文 参考訳（メタデータ） (2021-02-18T18:12:20Z) - 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。