論文の概要: RL-IoT: Towards IoT Interoperability via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2105.00884v1
- Date: Mon, 3 May 2021 14:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 14:13:45.643364
- Title: RL-IoT: Towards IoT Interoperability via Reinforcement Learning
- Title（参考訳）: RL-IoT: 強化学習によるIoT相互運用性の実現
- Authors: Giulia Milan, Luca Vassio, Idilio Drago, Marco Mellia
- Abstract要約: 未知のIoTデバイスとのインタラクションを探索するシステムであるRL-IoTを提案する。
強化学習を活用し、プロトコルメッセージの意味を理解し、特定の目標を達成するためにデバイスを制御します。
適切に調整されたパラメータによって、RL-IoTはターゲットデバイスでアクションを実行する方法を学び、400のインタラクションで非自明なパターンを完成させる。
- 参考スコア（独自算出の注目度）: 3.939866872704532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our life is getting filled by Internet of Things (IoT) devices. These devices
often rely on closed or poorly documented protocols, with unknown formats and
semantics. Learning how to interact with such devices in an autonomous manner
is key for interoperability and automatic verification of their capabilities.
In this paper, we propose RL-IoT -- a system that explores how to automatically
interact with possibly unknown IoT devices. We leverage reinforcement learning
(RL) to understand the semantics of protocol messages and to control the device
to reach a given goal, while minimizing the number of interactions. We assume
only to know a database of possible IoT protocol messages, whose semantics are
however unknown. RL-IoT exchanges messages with the target IoT device, learning
those commands that are useful to reach the given goal. Our results show that
RL-IoT is able to solve simple and complex tasks. With properly tuned
parameters, RL-IoT learns how to perform actions with the target device, a
Yeelight smart bulb for our case study, completing non-trivial patterns with as
few as 400 interactions. RL-IoT opens the opportunity to use RL to
automatically explore how to interact with IoT protocols with limited
information, and paving the road for interoperable systems.
- Abstract（参考訳）: 私たちの生活はモノのインターネット(IoT)デバイスで満たされています。
これらのデバイスは、しばしば、未知のフォーマットとセマンティクスを持つ、閉じた、または文書化されたプロトコルに依存する。
このようなデバイスを自律的に操作する方法を学ぶことは、相互運用性と機能の自動検証の鍵となる。
本稿では,未知のIoTデバイスを自動的に操作する方法を探索するシステムであるRL-IoTを提案する。
我々は、プロトコルメッセージの意味を理解するために強化学習(RL)を活用し、対話の回数を最小化しながら、所定の目標に達するためのデバイスを制御する。
セマンティクスが不明なIoTプロトコルメッセージのデータベースを知っていればよいと仮定する。
RL-IoTはターゲットのIoTデバイスとメッセージを交換し、所定の目標に到達するのに有用なコマンドを学ぶ。
その結果、RL-IoTは単純で複雑なタスクを解くことができることがわかった。
パラメータを適切に調整することで、RL-IoTはターゲットデバイスでアクションを実行する方法を学び、ケーススタディ用のYeelightスマート電球は、400のインタラクションで非自明なパターンを完了します。
RL-IoTは、RLを使用して、限られた情報でIoTプロトコルと対話する方法を自動で探求し、相互運用可能なシステムへの道を開く機会を開く。
関連論文リスト
- Leveraging Foundation Models for Zero-Shot IoT Sensing [5.319176383069102]
ディープラーニングモデルは、エッジIoT(Internet of Things)デバイスにますますデプロイされている。
ZSLは意味情報の助けを借りて、目に見えないクラスのデータを分類することを目的としている。
本研究では、ゼロショットIoTセンシングのためのFMテキストエンコーダによって生成されたセマンティック埋め込みと、IoTデータの埋め込みを一致させる。
論文 参考訳（メタデータ） (2024-07-29T11:16:48Z) - IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。
機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。
IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
論文 参考訳（メタデータ） (2024-07-13T08:20:37Z) - Device Scheduling and Assignment in Hierarchical Federated Learning for
Internet of Things [20.09415156099031]
本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。
実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。
論文 参考訳（メタデータ） (2024-02-04T14:42:13Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z) - Harris Hawks Feature Selection in Distributed Machine Learning for
Secure IoT Environments [8.690178186919635]
IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。
ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。
本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
論文 参考訳（メタデータ） (2023-02-20T09:38:12Z) - 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) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳（メタデータ） (2021-06-15T08:53:42Z) - PsiPhi-Learning: Reinforcement Learning with Demonstrations using
Successor Features and Inverse Temporal Difference Learning [102.36450942613091]
時間差学習(ITD)と呼ばれる逆強化学習アルゴリズムを提案する。
Psi Phi$-learningと呼ばれるデモで強化学習のための新しいアルゴリズムに到達し、オンライン環境の相互作用から学習とITDをシームレスに統合する方法を示します。
論文 参考訳（メタデータ） (2021-02-24T21:12:09Z) - Machine learning and data analytics for the IoT [8.39035688352917]
機械学習解析におけるIoT生成データの処理方法について概観する。
我々は、IoTアプリケーションが他のIoTアプリケーションから適応的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-30T07:38:31Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z)
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。