論文の概要: ML-based Handover Prediction and AP Selection in Cognitive Wi-Fi Networks

• arxiv url: http://arxiv.org/abs/2111.13879v1
• Date: Sat, 27 Nov 2021 12:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 10:55:40.528486
• Title: ML-based Handover Prediction and AP Selection in Cognitive Wi-Fi Networks
• Title（参考訳）: 認知Wi-FiネットワークにおけるMLによるハンドオーバ予測とAP選択
• Authors: Muhammad Asif Khan, Ridha Hamila, Adel Gastli, Serkan Kiranyaz and Nasser Ahmed Al-Emadi
• Abstract要約: デバイスモビリティに関連する2つのよく知られた問題は、ハンドオーバ予測とアクセスポイント選択である。 本稿では,これらの問題をネットワーク上で効率的に解くために,データ駆動機械学習(ML)方式を提案する。 提案手法を評価した結果,従来の手法と比較した。
• 参考スコア（独自算出の注目度）: 9.96238107493626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Device mobility in dense Wi-Fi networks offers several challenges. Two well-known problems related to device mobility are handover prediction and access point selection. Due to the complex nature of the radio environment, analytical models may not characterize the wireless channel, which makes the solution of these problems very difficult. Recently, cognitive network architectures using sophisticated learning techniques are increasingly being applied to such problems. In this paper, we propose a data-driven machine learning (ML) schemes to efficiently solve these problems in WLAN networks. The proposed schemes are evaluated and results are compared with traditional approaches to the aforementioned problems. The results report significant improvement in network performance by applying the proposed schemes. For instance, the proposed scheme for handover prediction outperforms traditional methods i.e. RSS method and traveling distance method by reducing the number of unnecessary handovers by 60% and 50% respectively. Similarly, in AP selection, the proposed scheme outperforms the SSF and LLF algorithms by achieving higher throughput gains upto 9.2% and 8% respectively.
• Abstract（参考訳）: 密集したWi-Fiネットワークにおけるデバイスモビリティにはいくつかの課題がある。 デバイスモビリティに関連する2つのよく知られた問題は、ハンドオーバ予測とアクセスポイント選択である。 無線環境の複雑な性質から、解析モデルは無線チャネルを特徴付けない可能性があるため、これらの問題を解決することは極めて困難である。 近年,高度な学習技術を用いたコグニティブネットワークアーキテクチャが,このような問題にますます適用されている。 本稿では、WLANネットワークにおけるこれらの問題を効率的に解くためのデータ駆動機械学習(ML)手法を提案する。 提案手法を評価し, 従来の問題に対するアプローチと比較した。 その結果,提案手法の適用によりネットワーク性能が大幅に向上した。 例えば、ハンドオーバ予測のための提案手法は、不要ハンドオーバの数を60%と50%減らし、従来の方法、すなわちRSS法と走行距離法より優れている。 同様にAP選択において、提案手法はSSFとLLFのアルゴリズムよりも高いスループットをそれぞれ9.2%と8%に向上させる。

関連論文リスト

• Online-Score-Aided Federated Learning: Taming the Resource Constraints in Wireless Networks [26.74283774805648]
  我々は,無線アプリケーションに関連するタスクを学習するために,OSAFLと呼ばれる新しいFLアルゴリズムを提案する。 当社の大規模なシミュレーションでは,3つの異なるデータセットを持つ2つのタスクについて,OSAFLの有効性を4つの一般的なMLモデルで検証しています。
  論文  参考訳（メタデータ） (2024-08-12T01:27:06Z)
• 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)
• Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE 802.11ax Wi-Fi Systems [8.057006406834466]
  Wi-Fi 6 IEEE 802.11axは無線ローカルネットワーク(WLAN)の第6世代(6G)技術として承認された。 本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。
  論文  参考訳（メタデータ） (2023-03-25T04:39:59Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
  絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。 量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
  論文  参考訳（メタデータ） (2021-11-15T14:07:22Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Fully-echoed Q-routing with Simulated Annealing Inference for Flying Adhoc Networks [6.3372141874912735]
  自己適応学習率のフルエコーQ-routingアルゴリズムを提案する。 提案手法は,アートqルーティングプロトコルの状況と比較して,7%から82%までのエネルギー消費量の削減と2.6倍のパケット配送率の向上を示した。
  論文  参考訳（メタデータ） (2021-03-23T22:28:26Z)
• 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)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。