論文の概要: A Low-Delay MAC for IoT Applications: Decentralized Optimal Scheduling
of Queues without Explicit State Information Sharing
- arxiv url: http://arxiv.org/abs/2105.11213v2
- Date: Tue, 20 Jun 2023 14:03:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 06:45:00.496610
- Title: A Low-Delay MAC for IoT Applications: Decentralized Optimal Scheduling
of Queues without Explicit State Information Sharing
- Title（参考訳）: IoTアプリケーションのための低遅延MAC: 明示的な状態情報共有のないキューの分散最適スケジューリング
- Authors: Avinash Mohan, Arpan Chattopadhyay, Shivam Vinayak Vatsa, and Anurag
Kumar
- Abstract要約: タイムスロットの無線チャネルを共有する複数のノードのシステムについて検討する。
我々は、(i)平均遅延が低く、(ii)分散制御があり、(iii)状態情報や制御信号の明示的な交換を必要としないMAC(medium access control)を求める。
このようなMACプロトコルの設計は、ライトトラフィックにおける競合アクセスと、高トラフィックにおけるスケジュールアクセスの必要性を念頭に置いておく必要がある。
- 参考スコア（独自算出の注目度）: 8.039591168227345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider a system of several collocated nodes sharing a time slotted
wireless channel, and seek a MAC (medium access control) that (i) provides low
mean delay, (ii) has distributed control (i.e., there is no central scheduler),
and (iii) does not require explicit exchange of state information or control
signals. The design of such MAC protocols must keep in mind the need for
contention access at light traffic, and scheduled access in heavy traffic,
leading to the long-standing interest in hybrid, adaptive MACs.
Working in the discrete time setting, for the distributed MAC design, we
consider a practical information structure where each node has local
information and some common information obtained from overhearing. In this
setting, "ZMAC" is an existing protocol that is hybrid and adaptive. We
approach the problem via two steps (1) We show that it is sufficient for the
policy to be "greedy" and "exhaustive". Limiting the policy to this class
reduces the problem to obtaining a queue switching policy at queue emptiness
instants. (2) Formulating the delay optimal scheduling as a POMDP (partially
observed Markov decision process), we show that the optimal switching rule is
Stochastic Largest Queue (SLQ).
Using this theory as the basis, we then develop a practical distributed
scheduler, QZMAC, which is also tunable. We implement QZMAC on standard
off-the-shelf TelosB motes and also use simulations to compare QZMAC with the
full-knowledge centralized scheduler, and with ZMAC. We use our implementation
to study the impact of false detection while overhearing the common
information, and the efficiency of QZMAC. Our simulation results show that the
mean delay with QZMAC is close that of the full-knowledge centralized
scheduler.
- Abstract（参考訳）: タイムスロットングされた無線チャネルを共有する複数のノードのシステムについて検討し、MAC(medium access control)を求める。
(i)低平均遅延を提供する。
(ii)分散制御(中央スケジューラがない)と
(iii) 状態情報や制御信号の明示的な交換を必要としない。
このようなMACプロトコルの設計は、光トラフィックにおける競合アクセスと、大量のトラフィックにおけるスケジュールアクセスの必要性を念頭に置いておく必要がある。
離散時間環境において,分散mac設計のために,各ノードが局所的な情報とオーバーウアリングから得られる共通情報を持つ実用的な情報構造を考える。
この設定では、ZMACはハイブリッドで適応的な既存のプロトコルである。
我々は,2つのステップでこの問題にアプローチする(1),政策が「欲望」と「思慮深い」のに十分であることを示す。
このクラスにポリシーを限定すると、キュー空の瞬間にキュースイッチングポリシーを取得するという問題が発生する。
2) 遅延最適スケジューリングをPOMDP(部分的に観測されたマルコフ決定過程)として定式化し, 最適切換規則がStochastic Largest Queue (SLQ)であることを示す。
そこで,本理論を基礎として,学習可能な分散スケジューラQZMACを開発した。
既成のTelosB表にQZMACを実装し,QZMACと全知識集中型スケジューラ,ZMACを比較した。
本実装では,共有情報に耳を傾けながら誤検出の影響とQZMACの効率について検討する。
シミュレーションの結果,QZMACの平均遅延は全知識集中型スケジューラに近いことがわかった。
関連論文リスト
- Optimizing Wireless Discontinuous Reception via MAC Signaling Learning [3.4082496470541312]
本稿では,基地局 (BTS) からの不連続受容 (DRX) ポリシーを制御するための強化学習手法を提案する。
5G New Radioで指定された高速なLayer-2信号の送信を最適タイミングでタイミングで行う。
シミュレーションの結果,提案手法は遅延と省エネのトレードオフの改善を図っている。
論文 参考訳（メタデータ） (2024-06-19T20:55:12Z) - Deep Reinforcement Learning for Uplink Scheduling in NOMA-URLLC Networks [7.182684187774442]
本稿では,無線ネットワークにおけるURLLC(Ultra Reliable Low Communications)の問題に対処する。
本稿では,厳密な期限を含む非直交多重アクセス(NOMA)アップリンクURLLCスケジューリング問題を解くために,DRL(Deep Reinforcement Learning)スケジューリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-28T12:18:02Z) - Differentially Private Deep Q-Learning for Pattern Privacy Preservation
in MEC Offloading [76.0572817182483]
攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。
パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。
そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
論文 参考訳（メタデータ） (2023-02-09T12:50:18Z) - Distributed-Training-and-Execution Multi-Agent Reinforcement Learning
for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。
エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。
このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文 参考訳（メタデータ） (2022-12-15T17:01:56Z) - Extending Compositional Attention Networks for Social Reasoning in
Videos [84.12658971655253]
ビデオにおけるソーシャルインタラクションを推論するタスクのための,新しいディープアーキテクチャを提案する。
構成注意ネットワーク(MAC)の多段階推論機能を活用し,マルチモーダル拡張(MAC-X)を提案する。
論文 参考訳（メタデータ） (2022-10-03T19:03:01Z) - Asynchronous Parallel Incremental Block-Coordinate Descent for
Decentralized Machine Learning [55.198301429316125]
機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。
急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。
本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
論文 参考訳（メタデータ） (2022-02-07T15:04:15Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed
Networked Control [56.77877237894372]
この研究は、分散植物、センサー、アクチュエータ、コントローラを備えた完全な分散WNCSを考慮し、限られた数の周波数チャネルを共有する。
最適な送信スケジューリング問題を決定プロセス問題に定式化し、それを解くための深層強化学習アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z) - Scheduling in Parallel Finite Buffer Systems: Optimal Decisions under
Delayed Feedback [29.177402567437206]
本稿では,遅延認識の限られた情報の下で並列キューシステムにおけるスケジューリング決定をキャプチャする部分観測可能(PO)モデルを提案する。
得られたポリシーが他の限られた情報スケジューリング戦略より優れていることを数値的に示す。
本稿では,Kaggleが提供するネットワークデータを用いてリアルタイム並列処理を最適化する方法を示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:02Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z)
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。