Fugu-MT 論文翻訳(概要): Learning based Age of Information Minimization in UAV-relayed IoT Networks

論文の概要: Learning based Age of Information Minimization in UAV-relayed IoT Networks

arxiv url: http://arxiv.org/abs/2203.04227v1
Date: Tue, 8 Mar 2022 17:47:02 GMT
ステータス: 処理完了
システム内更新日: 2022-03-09 16:38:24.733169
Title: Learning based Age of Information Minimization in UAV-relayed IoT Networks
Title（参考訳）: UAV中継IoTネットワークにおける学習による情報最小化の時代
Authors: Biplav Choudhury, Prasenjit Karmakar, Vijay K. Shah, Jeffrey H. Reed
Abstract要約: 2ホップUAV遅延IoTネットワークのためのAOIスケジューリングアルゴリズムを提案する。まず、UAV(ホップ-1)におけるIoTデバイスのサンプリングに最大AoI First(MAF)ポリシー、UAVからTBS(ホップ-2)へのサンプリングパケットの更新に最大AoI difference(MAD)ポリシーを用いる低複雑さAoIスケジューラ、MAF-MADを提案する。我々は,MAF-MADが最適なAoIスケジューラであることを証明する。
参考スコア（独自算出の注目度）: 8.361681706210206
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unmanned Aerial Vehicles (UAVs) are used as aerial base-stations to relay time-sensitive packets from IoT devices to the nearby terrestrial base-station (TBS). Scheduling of packets in such UAV-relayed IoT-networks to ensure fresh (or up-to-date) IoT devices' packets at the TBS is a challenging problem as it involves two simultaneous steps of (i) sampling of packets generated at IoT devices by the UAVs [hop-1] and (ii) updating of sampled packets from UAVs to the TBS [hop-2]. To address this, we propose Age-of-Information (AoI) scheduling algorithms for two-hop UAV-relayed IoT-networks. First, we propose a low-complexity AoI scheduler, termed, MAF-MAD that employs Maximum AoI First (MAF) policy for sampling of IoT devices at UAV (hop-1) and Maximum AoI Difference (MAD) policy for updating sampled packets from UAV to the TBS (hop-2). We prove that MAF-MAD is the optimal AoI scheduler under ideal conditions (lossless wireless channels and generate-at-will traffic-generation at IoT devices). On the contrary, for general conditions (lossy channel conditions and varying periodic traffic-generation at IoT devices), a deep reinforcement learning algorithm, namely, Proximal Policy Optimization (PPO)-based scheduler is proposed. Simulation results show that the proposed PPO-based scheduler outperforms other schedulers like MAF-MAD, MAF, and round-robin in all considered general scenarios.
Abstract（参考訳）: 無人航空機(UAV)は、IoTデバイスから近くの地上基地局(TBS)にタイムセンシティブなパケットを中継するための航空基地局として使用される。 TBSにおける新しい(あるいは最新の)IoTデバイスのパケットを保証するために、UAVリレーIoT-networks内のパケットのスケジューリングは、2つの同時ステップを伴うため、難しい問題である。 i)UAV[hop-1]によるIoTデバイスで生成されたパケットのサンプリング (ii)uavからtbsへのサンプルパケットの更新 [hop-2]。これを解決するために,2ホップUAV中継IoTネットワークのためのAOIスケジューリングアルゴリズムを提案する。まず、UAV(ホップ-1)におけるIoTデバイスのサンプリングに最大AoI First(MAF)ポリシーとUAVからTBS(ホップ-2)へのサンプリングパケットの更新に最大AoI difference(MAD)ポリシーを用いるMAF-MADと呼ばれる低複雑さAoIスケジューラを提案する。理想的な条件下ではmaf-madが最適なaoiスケジューラであることを証明する(ワイヤレスチャネルの欠如とiotデバイスでのトラフィック生成)。それとは対照的に、一般的な条件(ロッキーチャネル条件とIoTデバイスにおける様々な周期的トラフィック生成)では、深い強化学習アルゴリズム、すなわちPPOベースのスケジューラが提案されている。シミュレーションの結果,提案したPPOベースのスケジューラは,MAF-MAD,MAF,ラウンドロビンなど他のスケジューラよりも優れていた。

関連論文リスト

Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
論文参考訳（メタデータ） (2024-08-26T14:28:51Z)
Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things [20.09415156099031]
本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。
論文参考訳（メタデータ） (2024-02-04T14:42:13Z)
Digital Twin-Native AI-Driven Service Architecture for Industrial Networks [2.2924151077053407]
我々は、IoTネットワークの概念をサポートするDTネイティブなAI駆動サービスアーキテクチャを提案する。提案するDTネイティブアーキテクチャでは,TCPベースのデータフローパイプラインと強化学習(RL)ベースの学習モデルを実装している。
論文参考訳（メタデータ） (2023-11-24T14:56:13Z)
Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文参考訳（メタデータ） (2021-10-28T08:14:57Z)
RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-05T23:55:44Z)
AoI-minimizing Scheduling in UAV-relayed IoT Networks [21.070161851029663]
本稿では,2ホップUAV中継IoTネットワークにおける情報化時代(AoI)最小化のためのスケジューリングポリシーを提案する。我々は,MAF-MADが最適スケジューラであることを示す。現実的な条件下では,Deep-Q-Networks (DQN) ベースのスケジューラを提案する。
論文参考訳（メタデータ） (2021-07-12T03:52:59Z)
InstantNet: Automated Generation and Deployment of Instantaneously Switchable-Precision Networks [65.78061366594106]
可変ビット幅で動作する即時切替可能精度ネットワークを自動生成・展開するInstantNetを提案する。実験では、提案されたInstantNetは最先端の設計を一貫して上回っている。
論文参考訳（メタデータ） (2021-04-22T04:07:43Z)
Enhanced Pub/Sub Communications for Massive IoT Traffic with SARSA Reinforcement Learning [0.11470070927586014]
クラウド、エッジ、フォグコンピューティングは、IoTデータを収集、処理、配布するための潜在的かつ競争的な戦略である。本稿では,通信リソースの少ないネットワークを通じて大量のIoTデータを伝送する問題について述べる。 SARSAアルゴリズムによる強化学習(Reinforcement Learning, RL)に基づく認知コミュニケーションリソース割り当てを使用する。
論文参考訳（メタデータ） (2021-01-03T18:46:01Z)
Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文参考訳（メタデータ） (2020-12-31T11:19:51Z)
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)
Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
論文参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。