論文の概要: Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration

• arxiv url: http://arxiv.org/abs/2203.03383v1
• Date: Mon, 7 Mar 2022 13:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 17:48:42.656413
• Title: Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration
• Title（参考訳）: 雨中のスイッチング:予測型無線x-haulネットワーク再構成
• Authors: Igor Kadota, Dror Jacoby, Hagit Messer, Gil Zussman and Jonatan Ostrometzky
• Abstract要約: 無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。 降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。 本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
• 参考スコア（独自算出の注目度）: 17.891837432766764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless x-haul networks rely on microwave and millimeter-wave links between 4G and/or 5G base-stations to support ultra-high data rate and ultra-low latency. A major challenge associated with these high frequency links is their susceptibility to weather conditions. In particular, precipitation may cause severe signal attenuation, which significantly degrades the network performance. In this paper, we develop a Predictive Network Reconfiguration (PNR) framework that uses historical data to predict the future condition of each link and then prepares the network ahead of time for imminent disturbances. The PNR framework has two components: (i) an Attenuation Prediction (AP) mechanism; and (ii) a Multi-Step Network Reconfiguration (MSNR) algorithm. The AP mechanism employs an encoder-decoder Long Short-Term Memory (LSTM) model to predict the sequence of future attenuation levels of each link. The MSNR algorithm leverages these predictions to dynamically optimize routing and admission control decisions aiming to maximize network utilization, while preserving max-min fairness among the base-stations sharing the network and preventing transient congestion that may be caused by re-routing. We train, validate, and evaluate the PNR framework using a dataset containing over 2 million measurements collected from a real-world city-scale backhaul network. The results show that the framework: (i) predicts attenuation with high accuracy, with an RMSE of less than 0.4 dB for a prediction horizon of 50 seconds; and (ii) can improve the instantaneous network utilization by more than 200% when compared to reactive network reconfiguration algorithms that cannot leverage information about future disturbances.
• Abstract（参考訳）: 無線x-haulネットワークは、超高データレートと超低レイテンシをサポートするために、4gおよび5gのベースステーション間のマイクロ波およびミリ波リンクに依存している。 これらの高周波リンクに関連する大きな課題は、気象条件に対する感受性である。 特に降水は深刻な信号減衰を引き起こし、ネットワーク性能を著しく低下させる。 本稿では,各リンクの将来状態を予測するために履歴データを用いた予測ネットワーク再構成(pnr)フレームワークを開発し,差し迫った障害に対してネットワークを事前準備する。 PNRフレームワークには2つのコンポーネントがある。 (i)減衰予測(ap)機構、及び (ii)マルチステップネットワーク再構成(msnr)アルゴリズム。 APメカニズムはエンコーダ-デコーダロング短期メモリ(LSTM)モデルを用いて、各リンクの将来の減衰レベルのシーケンスを予測する。 MSNRアルゴリズムはこれらの予測を利用して、ネットワーク利用の最大化を目的としたルーティングと入出力制御の決定を動的に最適化し、ネットワークを共有するベースステーション間の最大値の公平性を保ち、再ルーティングによって引き起こされる過度な混雑を防ぐ。 我々は,現実世界の都市規模バックホールネットワークから収集された200万以上のデータを含むデータセットを用いて,PNRフレームワークを訓練,検証,評価する。 結果は、フレームワークが示す。 i)高い精度で減衰を予測し、RMSEは0.4dB未満で50秒の予測水平線を予測する。 (ii)将来の障害に関する情報を活用できないリアクティブネットワーク再構成アルゴリズムと比較して、即時ネットワーク利用を200%以上改善することができる。

関連論文リスト

• A Robust Machine Learning Approach for Path Loss Prediction in 5G Networks with Nested Cross Validation [0.6138671548064356]
  5Gネットワークシステムにおいて,従来の経路損失予測モデルを克服する機械学習(ML)手法を用いて経路損失予測を行う。 まず,中国北京の都市マクロセルシナリオで実施した総合的な計測キャンペーンから得られたデータセットを取得する。 我々は、経路損失を予測するために、サポートベクトル回帰(SVR)、キャットブースト回帰(CBR)、eXtreme Gradient Boosting Regression(XGBR)、人工ニューラルネットワーク(ANN)、ランダムフォレスト(RF)メソッドをデプロイし、平均絶対誤差(MAE)、平均平方誤差(MSE)で予測結果を比較した。
  論文  参考訳（メタデータ） (2023-10-02T09:21:58Z)
• Enhancing Reliability in Federated mmWave Networks: A Practical and Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
  本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。 これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。 提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-22T10:10:25Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• A Learning Convolutional Neural Network Approach for Network Robustness Prediction [13.742495880357493]
  ネットワークの堅牢性は、様々な社会的・産業的ネットワークにとって再び悪意ある攻撃にとって重要である。 本稿では,畳み込みニューラルネットワーク(LFR-CNN)を用いた学習特徴表現に基づくネットワークロバスト性予測の改良手法を提案する。 このスキームでは、高次元のネットワークデータを低次元の表現に圧縮し、CNNに渡してロバストネス予測を行う。
  論文  参考訳（メタデータ） (2022-03-20T13:45:55Z)
• Deep Reinforcement Learning for Dynamic Spectrum Sharing of LTE and NR [10.210703513367864]
  4Gと5Gシステム間の積極的な動的スペクトル共有スキームを提案する。 モンテカルロ木探索に基づく深層強化学習アルゴリズムを提案する。 提案手法は,各サブフレームにおいて欲張りではなく,将来の状態を考慮しながら行動を起こすことができることを示す。
  論文  参考訳（メタデータ） (2021-02-22T16:56:51Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)
• 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。