論文の概要: Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs

• arxiv url: http://arxiv.org/abs/2105.14219v1
• Date: Sat, 29 May 2021 05:33:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-05 21:07:30.212168
• Title: Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs
• Title（参考訳）: 次世代IEEE 802.11 WLANにおけるチャネルボンディング性能予測のための機械学習
• Authors: Francesc Wilhelmi, David G\'oez, Paola Soto, Ramon Vall\'es, Mohammad Alfaifi, Abdulrahman Algunayah, Jorge Martin-P\'erez, Luigi Girletti, Rajasekar Mohan, K Venkat Ramnan, Boris Bellalta
• Abstract要約: 我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。 第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
• 参考スコア（独自算出の注目度）: 1.0486135378491268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the advent of Artificial Intelligence (AI)-empowered communications, industry, academia, and standardization organizations are progressing on the definition of mechanisms and procedures to address the increasing complexity of future 5G and beyond communications. In this context, the International Telecommunication Union (ITU) organized the first AI for 5G Challenge to bring industry and academia together to introduce and solve representative problems related to the application of Machine Learning (ML) to networks. In this paper, we present the results gathered from Problem Statement~13 (PS-013), organized by Universitat Pompeu Fabra (UPF), which primary goal was predicting the performance of next-generation Wireless Local Area Networks (WLANs) applying Channel Bonding (CB) techniques. In particular, we overview the ML models proposed by participants (including Artificial Neural Networks, Graph Neural Networks, Random Forest regression, and gradient boosting) and analyze their performance on an open dataset generated using the IEEE 802.11ax-oriented Komondor network simulator. The accuracy achieved by the proposed methods demonstrates the suitability of ML for predicting the performance of WLANs. Moreover, we discuss the importance of abstracting WLAN interactions to achieve better results, and we argue that there is certainly room for improvement in throughput prediction through ML.
• Abstract（参考訳）: 人工知能(AI)を活用したコミュニケーション、産業、アカデミア、標準化組織が出現し、将来の5Gの複雑さの増大に対処するためのメカニズムと手順の定義が進められている。 この文脈において、ITU(International Telecommunication Union)は、5G Challengeの最初のAIを組織し、業界と学界をまとめて、機械学習(ML)のネットワークへの応用に関連する代表的問題を導入、解決した。 本稿では,次世代無線ローカルエリアネットワーク(wlans)のチャネルボンディング(cb)技術による性能予測を主目的とする,universitat pompeu fabra (upf) による問題文~13 (ps-013) から得られた結果について述べる。 特に、参加者(ニューラルネットワーク、グラフニューラルネットワーク、ランダムフォレスト回帰、勾配向上など)が提案するMLモデルを概説し、IEEE 802.11ax指向のKomondorネットワークシミュレータを用いて生成されたオープンデータセット上での性能を分析する。 提案手法により得られた精度は,WLANの性能予測におけるMLの有効性を示す。 さらに,より優れた結果を得るためにWLANインタラクションを抽象化することの重要性についても論じるとともに,MLによるスループット予測の改善の余地があることを論じる。

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)
• Semantic Routing for Enhanced Performance of LLM-Assisted Intent-Based 5G Core Network Management and Orchestration [10.981422497762837]
  大規模言語モデル(LLM)は人工知能(AI)アプリケーションで急速に普及している。 本稿では,5Gコアネットワークの意図に基づく管理とオーケストレーションにおける性能向上を目的としたセマンティックルーティングを提案する。
  論文  参考訳（メタデータ） (2024-04-24T13:34:20Z)
• 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)
• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• Accordion: A Communication-Aware Machine Learning Framework for Next Generation Networks [8.296411540693706]
  我々は,アドホック人工知能(AI)/機械学習(ML)モデルの設計を提唱する。 本稿では、モデルトレーニングおよび通信プロトコルの見直しにより、効率的なAI/MLモデル転送を可能にする、新しいコミュニケーション対応MLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-12T10:30:43Z)
• FPGA-based AI Smart NICs for Scalable Distributed AI Training Systems [62.20308752994373]
  我々は、フィールドプログラマブルゲートアレイ(FPGA)を用いた分散AI訓練システムのための新しいスマートネットワークインタフェースカード(NIC)を提案する。 提案するFPGAベースのAIスマートNICは,従来のNICを用いたベースラインシステムと比較して,6ノードで1.6倍,32ノードで2.5倍の性能向上が期待できる。
  論文  参考訳（メタデータ） (2022-04-22T21:57:00Z)
• Federated Spatial Reuse Optimization in Next-Generation Decentralized IEEE 802.11 WLANs [14.954710245070343]
  次世代無線ローカルエリアネットワーク(WLAN)における機械学習(ML)の適用可能性について検討する。 具体的には,IEEE 802.11ax空間再利用問題に着目し,その性能をFLモデルを用いて予測する。 この研究で概説されたFLソリューションのセットは、2021年のITU(International Telecommunication Union) AI for 5G Challengeの一部である。
  論文  参考訳（メタデータ） (2022-03-20T06:58:31Z)
• 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)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)
• 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。