論文の概要: Into Summarization Techniques for IoT Data Discovery Routing
- arxiv url: http://arxiv.org/abs/2107.09558v2
- Date: Wed, 21 Jul 2021 14:52:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 11:58:13.843838
- Title: Into Summarization Techniques for IoT Data Discovery Routing
- Title（参考訳）: IoTデータディスカバリルーティングのためのInto Summarizationテクニック
- Authors: Hieu Tran, Son Nguyen, I-Ling Yen, Farokh Bastani
- Abstract要約: 効率的な空間効率の高いIoTデータ探索ルーティングを支援するために,ルーティングテーブルの要約手法を深く検討する。
アルファベットベース,ハッシュベース,意味に基づく要約とそれに対応する符号化方式を含む新しい要約アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 6.125017875330933
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we consider the IoT data discovery problem in very large and
growing scale networks. Specifically, we investigate in depth the routing table
summarization techniques to support effective and space-efficient IoT data
discovery routing. Novel summarization algorithms, including alphabetical
based, hash based, and meaning based summarization and their corresponding
coding schemes are proposed. The issue of potentially misleading routing due to
summarization is also investigated. Subsequently, we analyze the strategy of
when to summarize in order to balance the tradeoff between the routing table
compression rate and the chance of causing misleading routing. For experimental
study, we have collected 100K IoT data streams from various IoT databases as
the input dataset. Experimental results show that our summarization solution
can reduce the routing table size by 20 to 30 folds with 2-5% increase in
latency when compared with similar peer-to-peer discovery routing algorithms
without summarization. Also, our approach outperforms DHT based approaches by 2
to 6 folds in terms of latency and traffic.
- Abstract（参考訳）: 本稿では,大規模・大規模ネットワークにおけるIoTデータ発見問題について考察する。
具体的には、効率的な空間効率の高いIoTデータ探索ルーティングを支援するために、ルーティングテーブルの要約手法を深く検討する。
アルファベットベース,ハッシュベース,意味に基づく要約とそれに対応する符号化方式を含む新しい要約アルゴリズムを提案する。
また,要約による経路の誤解の可能性についても検討した。
その後、ルーティングテーブル圧縮率とミスリーディングルーティングを引き起こす可能性とのトレードオフをバランスさせるために、いつ要約するかの戦略を分析する。
実験的研究のために、さまざまなIoTデータベースから100万のIoTデータストリームを入力データセットとして収集した。
実験結果から,要約のない類似のピア・ツー・ピア探索ルーティングアルゴリズムと比較して2-5%のレイテンシで,ルーティングテーブルのサイズを20～30倍に削減できることがわかった。
また、DHTベースのアプローチはレイテンシとトラフィックの点で2倍から6倍に優れています。
関連論文リスト
- Progressive Supervision via Label Decomposition: An Long-Term and Large-Scale Wireless Traffic Forecasting Method [14.390842560217743]
LL-WTF(Long-term and Large-scale Wireless Traffic Forecasting)は、戦略的ネットワーク管理とマクロスケールの包括的計画において重要である。
ラベル分解(PSLD)に基づくプログレッシブ・スーパービジョン法を提案する。
PSLDは既存の手法よりも優れており、3つのWTデータセットの平均2%、4%、そして11%のパフォーマンス改善がある。
論文 参考訳（メタデータ） (2025-01-09T03:35:00Z) - Heterogeneous Learning Rate Scheduling for Neural Architecture Search on Long-Tailed Datasets [0.0]
本稿では,DARTSのアーキテクチャパラメータに適した適応学習率スケジューリング手法を提案する。
提案手法は,学習エポックに基づくアーキテクチャパラメータの学習率を動的に調整し,よく訓練された表現の破壊を防止する。
論文 参考訳（メタデータ） (2024-06-11T07:32:25Z) - Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。
既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。
アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文 参考訳（メタデータ） (2024-03-19T18:57:53Z) - Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-30T04:34:25Z) - Vertex-based Networks to Accelerate Path Planning Algorithms [3.684936338492373]
本稿では,RT* のサンプリングプロセスを強化するため,頂点に基づくネットワークの利用を提案し,より効率的な経路計画手法を提案する。
我々は、関連するデータ不均衡問題に対処するために焦点損失を採用し、異なるマスキング構成を探索し、システム性能の実用的なトレードオフを決定する。
論文 参考訳（メタデータ） (2023-07-13T20:56:46Z) - Personalized Decentralized Multi-Task Learning Over Dynamic
Communication Graphs [59.96266198512243]
本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。
本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。
合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
論文 参考訳（メタデータ） (2022-12-21T18:58:24Z) - FiFo: Fishbone Forwarding in Massive IoT Networks [3.7813000491275233]
大規模なIoT(Internet of Things)ネットワークには,緊急メッセージや災害メッセージの迅速な配信を含む,幅広いアプリケーションがある。
ベンチマークアルゴリズムは、このようなアプリケーションでメッセージ配信を行うために、これまで開発されてきたが、いくつかの実践的な課題がある。
本研究では,魚骨フォワード法 (FiFo) を提案する。
論文 参考訳（メタデータ） (2022-11-02T15:55:17Z) - NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。
この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。
ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
論文 参考訳（メタデータ） (2022-02-23T02:03:35Z) - Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc
Networks Formed by Passenger Planes [99.54065757867554]
エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。
最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。
フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
論文 参考訳（メタデータ） (2021-10-28T14:18:56Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z)
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。