論文の概要: AoI-minimizing Scheduling in UAV-relayed IoT Networks
- arxiv url: http://arxiv.org/abs/2107.05181v3
- Date: Mon, 19 Jul 2021 12:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-01 11:02:30.298928
- Title: AoI-minimizing Scheduling in UAV-relayed IoT Networks
- Title（参考訳）: UAV中継IoTネットワークにおけるAoI最小化スケジューリング
- Authors: Biplav Choudhury, Vijay K. Shah, Aidin Ferdowsi, Jeffrey H. Reed, and
Y. Thomas Hou
- Abstract要約: 本稿では,2ホップUAV中継IoTネットワークにおける情報化時代(AoI)最小化のためのスケジューリングポリシーを提案する。
我々は,MAF-MADが最適スケジューラであることを示す。
現実的な条件下では,Deep-Q-Networks (DQN) ベースのスケジューラを提案する。
- 参考スコア（独自算出の注目度）: 21.070161851029663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to flexibility, autonomy and low operational cost, unmanned aerial
vehicles (UAVs), as fixed aerial base stations, are increasingly being used as
\textit{relays} to collect time-sensitive information (i.e., status updates)
from IoT devices and deliver it to the nearby terrestrial base station (TBS),
where the information gets processed. In order to ensure timely delivery of
information to the TBS (from all IoT devices), optimal scheduling of
time-sensitive information over two hop UAV-relayed IoT networks (i.e., IoT
device to the UAV [hop 1], and UAV to the TBS [hop 2]) becomes a critical
challenge. To address this, we propose scheduling policies for Age of
Information (AoI) minimization in such two-hop UAV-relayed IoT networks. To
this end, we present a low-complexity MAF-MAD scheduler, that employs Maximum
AoI First (MAF) policy for sampling of IoT devices at UAV (hop 1) and Maximum
AoI Difference (MAD) policy for updating sampled packets from UAV to the TBS
(hop 2). We show that MAF-MAD is the optimal scheduler under ideal conditions,
i.e., error-free channels and generate-at-will traffic generation at IoT
devices. On the contrary, for realistic conditions, we propose a
Deep-Q-Networks (DQN) based scheduler. Our simulation results show that
DQN-based scheduler outperforms MAF-MAD scheduler and three other baseline
schedulers, i.e., Maximal AoI First (MAF), Round Robin (RR) and Random,
employed at both hops under general conditions when the network is small (with
10's of IoT devices). However, it does not scale well with network size whereas
MAF-MAD outperforms all other schedulers under all considered scenarios for
larger networks.
- Abstract（参考訳）: 柔軟性、自律性、低運用コストのため、固定された航空基地局としての無人航空機(uav)は、iotデバイスから時間に敏感な情報(つまりステータス更新)を収集し、その情報を処理される近くの地上基地局(tbs)に届けるために、 \textit{relays} としてますます使われている。
TBS(全IoTデバイスからの情報)へのタイムリーな配信を保証するため、2つのホップUAVリレーIoTネットワーク(すなわち、IoTデバイスからUAV[ホップ1]、UAVからTBS[ホップ2])上でのタイムセンシティブな情報の最適なスケジューリングが重要な課題となっている。
そこで本稿では,2本足のUAV中継IoTネットワークにおいて,情報時代(AoI)最小化のためのスケジューリングポリシを提案する。
この目的のために、UAV(ホップ1)におけるIoTデバイスのサンプリングにMaximum AoI First(MAF)ポリシー、UAVからTBS(ホップ2)へのサンプリングパケットの更新にMaximum AoI difference(MAD)ポリシーを用いる低複雑さMAF-MADスケジューラを提案する。
我々は,MAF-MADが理想的な条件下での最適なスケジューラであることを示す。
一方、現実的な条件下では、Deep-Q-Networks(DQN)ベースのスケジューラを提案する。
シミュレーションの結果、DQNベースのスケジューラはMAF-MADスケジューラと他の3つのベースラインスケジューラ、すなわち最大AoI First(MAF)、ラウンドロビン(RR)、ランダム(Random)より優れており、ネットワークが小さい場合(IoTデバイスの10台)に両ホップで使用されることがわかった。
しかし、maf-madが他のすべてのスケジューラよりも大きなネットワークのシナリオで優れているのに対して、ネットワークサイズではうまくスケールしない。
関連論文リスト
- Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink
in Markovian IoT Models [6.49537221266081]
IoTネットワークでは、従来のリソース管理スキームはデバイスと基地局の間のメッセージ交換に依存している。
マルコフイベントに基づくIoTデバイスのトラフィック到着を推定する,新たな学習ベースのフレームワークを提案する。
本稿では,各UAVの最適方針を最適化する深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-24T21:57:55Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳（メタデータ） (2023-10-03T11:47:01Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - AI-based Radio and Computing Resource Allocation and Path Planning in
NOMA NTNs: AoI Minimization under CSI Uncertainty [23.29963717212139]
高高度プラットフォーム(HAP)と無人航空機(UAV)からなる階層型空中コンピューティングフレームワークを開発する。
タスクスケジューリングは平均AoIを大幅に削減する。
電力割り当ては全ユーザに対して全送信電力を使用する場合と比較して平均AoIに限界効果があることが示されている。
論文 参考訳（メタデータ） (2023-05-01T11:52:15Z) - A Learning-Based Trajectory Planning of Multiple UAVs for AoI
Minimization in IoT Networks [13.2742178284328]
textitAge of Information (AoI)は、情報のタイムライン、すなわち受信した情報の更新やステータス更新を定量化するメトリクスである。
受信メッセージのAoIを最小化しながら、UAVの軌道を共同で計画する最適化問題を定式化する。
複素最適化問題は、深部強化学習(DRL)アルゴリズムを用いて効率よく解かれる。
論文 参考訳（メタデータ） (2022-09-13T12:39:23Z) - A Practical AoI Scheduler in IoT Networks with Relays [8.361681706210206]
従来の2ホップリレーIoTネットワーク用のAoIスケジューラに関する文献は限られている。
ディープ強化学習(DRL)アルゴリズムは、リレー付き2ホップIoTネットワークにおけるAoIスケジューリングのために研究されている。
本稿では,リレー付き2ホップIoTネットワークのための実用的なAoIスケジューラを提案する。
論文 参考訳（メタデータ） (2022-03-08T17:47:02Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z) - Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。
Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
論文 参考訳（メタデータ） (2020-02-12T09:18:36Z)
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。