論文の概要: IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode

• arxiv url: http://arxiv.org/abs/2202.03488v1
• Date: Thu, 3 Feb 2022 03:34:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 14:27:11.752810
• Title: IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode
• Title（参考訳）: iovシナリオ:無線ネットワーク通信モードにおける帯域幅認識アルゴリズムの実装
• Authors: Peiying Zhang, Chao Wang, Gagangeet Singh Aujla, Neeraj Kumar, and Mohsen Guizani
• Abstract要約: 本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 49.734868032441625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The wireless network communication mode represented by the Internet of vehicles (IoV) has been widely used. However, due to the limitations of traditional network architecture, resource scheduling in wireless network environment is still facing great challenges. This paper focuses on the allocation of bandwidth resources in the virtual network environment. This paper proposes a bandwidth aware multi domain virtual network embedding algorithm (BA-VNE). The algorithm is mainly aimed at the problem that users need a lot of bandwidth in wireless communication mode, and solves the problem of bandwidth resource allocation from the perspective of virtual network embedding (VNE). In order to improve the performance of the algorithm, we introduce particle swarm optimization (PSO) algorithm to optimize the performance of the algorithm. In order to verify the effectiveness of the algorithm, we have carried out simulation experiments from link bandwidth, mapping cost and virtual network request (VNR) acceptance rate. The final results show that the proposed algorithm is better than other representative algorithms in the above indicators.
• Abstract（参考訳）: 車両のインターネット(IoV)に代表される無線ネットワーク通信モードが広く使われている。 しかし、従来のネットワークアーキテクチャの限界により、無線ネットワーク環境におけるリソーススケジューリングは依然として大きな課題に直面している。 本稿では,仮想ネットワーク環境における帯域幅資源の割り当てに着目した。 本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としており、仮想ネットワーク埋め込み(VNE)の観点から帯域幅資源割り当ての問題を解決する。 アルゴリズムの性能を向上させるため,pso( particle swarm optimization)アルゴリズムを導入し,アルゴリズムの性能を最適化する。 提案手法の有効性を検証するために,リンク帯域幅,マッピングコスト,仮想ネットワーク要求(vnr)の受け入れ率からシミュレーション実験を行った。 最終結果は,提案アルゴリズムが上記の指標の他の代表アルゴリズムよりも優れていることを示す。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• GNN-Based Joint Channel and Power Allocation in Heterogeneous Wireless Networks [9.031738020845586]
  本稿では、異種無線ネットワークにおける共同資源配分問題に対処するGNNに基づくアルゴリズムを提案する。 提案アルゴリズムは,従来の最適化アルゴリズムと比較して高い計算効率で良好な性能を実現する。
  論文  参考訳（メタデータ） (2024-07-28T04:51:00Z)
• 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)
• A Reinforcement Learning Approach to Optimize Available Network Bandwidth Utilization [3.254879465902239]
  深部強化学習(RL)を用いた並列TCPストリームの最適数を求めるための新しい手法を提案する。 我々のRLアルゴリズムは、最大15%高いスループットを達成しながら、ほぼ最適解を40%高速に見つけることができる。
  論文  参考訳（メタデータ） (2022-11-22T02:00:05Z)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• A multi-domain virtual network embedding algorithm with delay prediction [7.636572411449277]
  遅延予測(DP-VNE)に基づくマルチドメイン仮想ネットワーク埋め込みアルゴリズムを提案する。 提案アルゴリズムは,他の指標に影響を与えないまま,システム遅延を大幅に低減することができる。
  論文  参考訳（メタデータ） (2022-02-03T08:58:49Z)
• Multi Objective Resource Optimization of Wireless Network Based on Cross Domain Virtual Network Embedding [6.019028366261091]
  本稿では,無線ネットワークリソース割り当てのための多目的最適化VNEアルゴリズムを提案する。 提案した目的式によると、最適化マッピングコスト、ネットワーク遅延、VNR受け入れ率について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:26:10Z)
• Network Resource Allocation Strategy Based on Deep Reinforcement Learning [4.751282319342761]
  本稿では,深部強化学習(DRL)に基づく二段階VNEアルゴリズムを提案する。 MLに基づく既存のVNEアルゴリズムは、基板ネットワーク表現とトレーニングモードの重要性を無視することが多いため、フル属性行列(FAM-DRL-VNE)に基づくDRL VNEアルゴリズムを提案する。 実験の結果,上記のアルゴリズムは他のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-03T06:53:00Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。