論文の概要: MuViS: Online MU-MIMO Grouping for Multi-User Applications Over Commodity WiFi

• arxiv url: http://arxiv.org/abs/2106.15262v1
• Date: Tue, 29 Jun 2021 11:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 01:18:42.874010
• Title: MuViS: Online MU-MIMO Grouping for Multi-User Applications Over Commodity WiFi
• Title（参考訳）: MuViS:コモディティWiFi上のマルチユーザアプリケーションのためのオンラインMU-MIMOグループ
• Authors: Hannaneh Barahouei Pasandi and Tamer Nadeem and Hadi Amirpour
• Abstract要約: 本稿では、IEEE 802.11ac上でのマルチユーザビデオストリーミングのためのMU-MIMO最適化について、Quality of Experience (QoE)を意識した新しい2相最適化フレームワークであるMuViSを紹介する。 各種屋内環境および構成における実験結果から,多数のユーザを高いビデオレートでストリーミングし,QoE要求を満たすスケーラブルなフレームワークが得られた。
• 参考スコア（独自算出の注目度）: 3.5557219875516646
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Over the last decade, the bandwidth expansion and MU-MIMO spectral efficiency have promised to increase data throughput by allowing concurrent communication between one Access Point and multiple users. However, we are still a long way from enjoying such MU-MIMO MAC protocol improvements for bandwidth hungry applications such as video streaming in practical WiFi network settings due to heterogeneous channel conditions and devices, unreliable transmissions, and lack of useful feedback exchange among the lower and upper layers' requirements. This paper introduces MuViS, a novel dual-phase optimization framework that proposes a Quality of Experience (QoE) aware MU-MIMO optimization for multi-user video streaming over IEEE 802.11ac. MuViS first employs reinforcement learning to optimize the MU-MIMO user group and mode selection for users based on their PHY/MAC layer characteristics. The video bitrate is then optimized based on the user's mode (Multi-User (MU) or Single-User (SU)). We present our design and its evaluation on smartphones and laptops using 802.11ac WiFi. Our experimental results in various indoor environments and configurations show a scalable framework that can support a large number of users with streaming at high video rates and satisfying QoE requirements.
• Abstract（参考訳）: 過去10年間で、帯域幅の拡大とmu-mimoスペクトル効率は、1つのアクセスポイントと複数のユーザ間の同時通信を可能にすることで、データスループットの向上を約束している。 しかし、このMU-MIMO MACプロトコルの改善は、不均一なチャネル条件やデバイスによる実用的なWiFiネットワーク設定によるビデオストリーミング、信頼性の低い送信、下位層と上位層の要求に対する有用なフィードバック交換の欠如など、帯域幅の空きアプリケーションに対して、まだ長い道のりを歩んでいる。 本稿では、IEEE 802.11ac上でのマルチユーザビデオストリーミングのためのMU-MIMO最適化について、Quality of Experience (QoE)を意識した新しい2相最適化フレームワークであるMuViSを紹介する。 MuViSはまず強化学習を用いてMU-MIMOユーザグループを最適化し、PHY/MAC層特性に基づいたモード選択を行う。 ビデオビットレートは、ユーザのモード(MU)またはSingle-User(SU))に基づいて最適化される。 802.11ac WiFiを用いたスマートフォンおよびラップトップ上での設計とその評価について述べる。 様々な屋内環境および構成における実験結果から,多数のユーザが高いビデオレートでストリーミングをサポートし,qoe要件を満たしたスケーラブルなフレームワークが得られた。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment [8.853779271331508]
  オフロードプロセスを最適化する効果的な方法の1つは、送信時間を最小化することである。 これはVehicular Adhoc Network(VANET)において特に当てはまり、車両はHD(High-Definition)マップデータを頻繁にダウンロードしてアップロードする。
  論文  参考訳（メタデータ） (2024-07-19T12:40:07Z)
• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• MobileVLM : A Fast, Strong and Open Vision Language Assistant for Mobile Devices [73.46317110474064]
  MobileVLM (MobileVLM) は、モバイルデバイス上で動作する多モード視覚言語モデル(MMVLM)である。 これは、CLIP方式で事前訓練されたマルチモーダル視覚モデルである、スクラッチからトレーニングされた1.4Bと2.7Bのスケールの言語モデルで構成されている。
  論文  参考訳（メタデータ） (2023-12-28T08:21:24Z)
• QSMVM: QoS-aware and social-aware multimetric routing protocol for video-streaming services over MANETs [0.0]
  モバイルアドホックネットワーク(モバイルアドホックネットワーク、英: Mobile Adhoc Network、略称:MANET)は、無線リンクで接続された、固定インフラのない自律型モバイルデバイスの集合体である。 ソーシャルネットワークを通じて人々がオンラインで交流するソーシャルウェブ技術は、ネットワークのソーシャル化に繋がっている。 サービス品質(QoS)とMANETのパスを形成するユーザ間の信頼レベルとの間にはトレードオフがある。
  論文  参考訳（メタデータ） (2023-12-12T16:34:32Z)
• Context-Aware Configuration and Management of WiFi Direct Groups for Real Opportunistic Networks [6.18778092044887]
  WiFi Directは、ユーザのパーソナルデバイス間でのD2D接続の自律的生成を制限するいくつかの特徴を提示する。 WiFi Direct グループの効率的な構成と管理のための新しい Wi-layer プロトコルを提案する。 WFD-GMは、最適なグループ構成を作成するためのパラメータを考慮に入れたコンテキスト関数を定義する。
  論文  参考訳（メタデータ） (2023-07-06T16:52:20Z)
• Modeling Live Video Streaming: Real-Time Classification, QoE Inference, and Field Evaluation [1.4353812560047186]
  ReCLiveは、ネットワークレベルの挙動特性に基づいたライブビデオ検出およびQoE計測のための機械学習手法である。 TwitchとYouTubeの約23,000のビデオストリームを分析し、ライブとオンデマンドのストリーミングを区別するトラフィックプロファイルの重要な特徴を特定します。 私たちのソリューションは、ISPにライブビデオストリームの細かい可視性を提供し、ユーザエクスペリエンスの測定と改善を可能にします。
  論文  参考訳（メタデータ） (2021-12-05T17:53:06Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Cross Layer Optimization and Distributed Reinforcement Learning for Wireless 360° Video Streaming [54.60967639512643]
  本稿では,各ユーザに対して利用可能なレートを最大化し,ユーザのQoEを最大化するために効率的に利用するクロスレイヤ最適化手法を提案する。 この問題を2つの相互関連サブプロブレムに分解できることを示す。 複数の独立エージェントの並列学習を活用し,アプリケーション層サブプロブレムを解くために,アクタ・クリティカル・ディープ・強化学習(DRL)を提案する。
  論文  参考訳（メタデータ） (2020-11-12T12:59:10Z)
• Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video Streaming over HTTP [89.30855958779425]
  Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。 本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
  論文  参考訳（メタデータ） (2019-12-27T01:19:14Z)

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。