論文の概要: No Size Fits All: Automated Radio Configuration for LPWANs
- arxiv url: http://arxiv.org/abs/2109.05103v1
- Date: Fri, 10 Sep 2021 20:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:16:08.243907
- Title: No Size Fits All: Automated Radio Configuration for LPWANs
- Title（参考訳）: No Size Fits All:LPWANの無線設定自動化
- Authors: Zerina Kapetanovic, Deepak Vasisht, Tusher Chakraborty, Joshua R.
Smith, Ranveer Chandra
- Abstract要約: LoRaのような低消費電力の長距離ネットワークは、IoTデプロイメントの主流になりつつある。
私たちは、ネットワークデバイスが選択したデータレートで送信できるように、別のアプローチを提案します。
私たちのゲートウェイ設計であるProteusは、ニューラルネットワークアーキテクチャを実行しており、既存のLoRaプロトコルと後方互換性があります。
- 参考スコア（独自算出の注目度）: 5.7224176761305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low power long-range networks like LoRa have become increasingly mainstream
for Internet of Things deployments. Given the versatility of applications that
these protocols enable, they support many data rates and bandwidths. Yet, for a
given network that supports hundreds of devices over multiple miles, the
network operator typically needs to specify the same configuration or among a
small subset of configurations for all the client devices to communicate with
the gateway. This one-size-fits-all approach is highly inefficient in large
networks. We propose an alternative approach -- we allow network devices to
transmit at any data rate they choose. The gateway uses the first few symbols
in the preamble to classify the correct data rate, switches its configuration,
and then decodes the data. Our design leverages the inherent asymmetry in
outdoor IoT deployments where the clients are power-starved and
resource-constrained, but the gateway is not. Our gateway design, Proteus, runs
a neural network architecture and is backward compatible with existing LoRa
protocols. Our experiments reveal that Proteus can identify the correct
configuration with over 97% accuracy in both indoor and outdoor deployments.
Our network architecture leads to a 3.8 to 11 times increase in throughput for
our LoRa testbed.
- Abstract（参考訳）: LoRaのような低消費電力の長距離ネットワークは、IoTデプロイメントの主流になりつつある。
これらのプロトコルによって実現されるアプリケーションの汎用性を考えると、多くのデータレートと帯域幅をサポートする。
しかし、複数のマイルにわたって何百ものデバイスをサポートする特定のネットワークの場合、ネットワークオペレータは、ゲートウェイと通信するすべてのクライアントデバイスに対して、同じ構成や小さな構成のサブセットを指定する必要がある。
このワンサイズのアプローチは、大規模ネットワークでは極めて非効率である。
我々は、ネットワークデバイスが選択したデータレートで送信できるように、別のアプローチを提案する。
ゲートウェイはプリアンブルの最初の数個のシンボルを使用して、正しいデータレートを分類し、設定を切り替え、データをデコードする。
私たちの設計では、クライアントがパワー不足でリソース制約の強いアウトドアiotデプロイメントに固有の非対称性を活用していますが、ゲートウェイはそうではありません。
私たちのゲートウェイ設計であるproteusは、ニューラルネットワークアーキテクチャを実行し、既存のloraプロトコルと後方互換性があります。
実験の結果,proteusは屋内および屋外の配置において97%以上の精度で正確な構成を同定できることが判明した。
私たちのネットワークアーキテクチャは、LoRaテストベッドのスループットを3.8から11倍に向上させています。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Mobile Network Configuration Recommendation using Deep Generative Graph Neural Network [0.40964539027092917]
GNN(Deep Generative Graph Neural Network)を用いたフレームワークを提案する。
ネットワークをグラフにエンコードし、RANノードごとにサブグラフを抽出し、シームズGNNを使用して埋め込みを学習する。
このフレームワークは、複数のパラメータの設定パラメータを推奨し、誤設定を検出し、ネットワーク拡張と既存のセル再構成の両方を扱う。
論文 参考訳（メタデータ） (2024-06-07T09:28:18Z) - D'OH: Decoder-Only Random Hypernetworks for Implicit Neural Representations [24.57801400001629]
Decoder-Only randomly Projected Hypernetwork (D'OH) による単一インスタンス信号に対する実行時暗黙関数の最適化戦略を提案する。
遅延コード次元を直接変更することにより、ニューラルネットワークの検索を犠牲にすることなく、ニューラル表現のメモリフットプリントを変更できる自然な方法を提供する。
論文 参考訳（メタデータ） (2024-03-28T06:18:12Z) - Lightweight Neural Architecture Search for Temporal Convolutional
Networks at the Edge [21.72253397805102]
この研究は特に、時系列処理のための畳み込みモデルであるTCN(Temporal Convolutional Networks)に焦点を当てている。
我々は,TNの最も特異なアーキテクチャパラメータの最適化を明示的に目標とする最初のNASツールを提案する。
提案したNASは,音声および生体信号を含む4つの実世界のエッジ関連タスクでテストする。
論文 参考訳（メタデータ） (2023-01-24T19:47:40Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Programmable and Customized Intelligence for Traffic Steering in 5G
Networks Using Open RAN Architectures [16.48682480842328]
5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。
無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。
クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-28T15:31:06Z) - Online Distributed Evolutionary Optimization of Time Division Multiple
Access Protocols [4.87717454493713]
我々は,環境駆動型分散ヒルクライミングアルゴリズムによって得られたネットワークの創発特性としてプロトコルを想定する。
エネルギー消費とプロトコル性能の観点から,分散ヒルクライミングがさまざまなトレードオフに達することを示す。
論文 参考訳（メタデータ） (2022-04-27T20:47:48Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - 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。