論文の概要: A Deep Reinforcement Learning-Based Caching Strategy for IoT Networks
with Transient Data
- arxiv url: http://arxiv.org/abs/2203.12674v1
- Date: Wed, 16 Mar 2022 12:41:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:50:19.395043
- Title: A Deep Reinforcement Learning-Based Caching Strategy for IoT Networks
with Transient Data
- Title（参考訳）: 過渡データを用いたIoTネットワークのための深層強化学習型キャッシュ戦略
- Authors: Hongda Wu, Ali Nasehzadeh, Ping Wang
- Abstract要約: 過渡的なデータ生成と限られたエネルギー資源は、IoTネットワークの主要なボトルネックである。
DRLに基づくキャッシュ方式を提案し、キャッシュヒット率を改善し、IoTネットワークのエネルギー消費を削減する。
- 参考スコア（独自算出の注目度）: 4.686103742494879
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Internet of Things (IoT) has been continuously rising in the past few
years, and its potentials are now more apparent. However, transient data
generation and limited energy resources are the major bottlenecks of these
networks. Besides, minimum delay and other conventional quality of service
measurements are still valid requirements to meet. An efficient caching policy
can help meet the standard quality of service requirements while bypassing IoT
networks' specific limitations. Adopting deep reinforcement learning (DRL)
algorithms enables us to develop an effective caching scheme without the need
for any prior knowledge or contextual information. In this work, we propose a
DRL-based caching scheme that improves the cache hit rate and reduces energy
consumption of the IoT networks, in the meanwhile, taking data freshness and
limited lifetime of IoT data into account. To better capture the
regional-different popularity distribution, we propose a hierarchical
architecture to deploy edge caching nodes in IoT networks. The results of
comprehensive experiments show that our proposed method outperforms the
well-known conventional caching policies and an existing DRL-based solution in
terms of cache hit rate and energy consumption of the IoT networks by
considerable margins.
- Abstract（参考訳）: IoT(Internet of Things, モノのインターネット)はここ数年、継続的に上昇しており、そのポテンシャルはより明確になっている。
しかし、過渡的データ生成と限られたエネルギー資源は、これらのネットワークの主要なボトルネックである。
加えて、最小限の遅延やその他の従来のサービス計測の質が満たすべき要件である。
効率的なキャッシュポリシは、IoTネットワークの特定の制限をバイパスしながら、サービス要件の標準的な品質を満たすのに役立つ。
深層強化学習(DRL)アルゴリズムを用いることで,事前知識や文脈情報を必要とせず,効果的なキャッシュ方式を実現できる。
本研究では,DRLベースのキャッシュ方式を提案する。キャッシュヒット率を改善し,IoTネットワークのエネルギー消費を低減し,データの鮮度とIoTデータの寿命を考慮に入れた。
地域差のある人気分布をより正確に把握するために,IoTネットワークにエッジキャッシングノードをデプロイするための階層アーキテクチャを提案する。
包括的実験の結果,提案手法は,iotネットワークのキャッシュヒット率とエネルギー消費量において,従来のキャッシュポリシと既存のdrlベースのソリューションをかなり上回っていることがわかった。
関連論文リスト
- Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - 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) - Beamforming in Wireless Coded-Caching Systems [7.799363090534322]
本稿では,ビームフォーミングと符号化キャッシュ戦略を統合した無線トランスポートネットワークアーキテクチャについて検討する。
提案した設計では,複数のアンテナを備えたサーバが,ユーザのサービスを担当するキャッシュノードにコンテンツをブロードキャストする。
符号化キャッシングシステムにおいて,効率的な遺伝的アルゴリズムに基づくビーム最適化手法を開発した。
論文 参考訳（メタデータ） (2023-09-11T07:21:57Z) - An Intelligent SDWN Routing Algorithm Based on Network Situational
Awareness and Deep Reinforcement Learning [4.085916808788356]
本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。
実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-12T14:18:09Z) - Semantics-enhanced Temporal Graph Networks for Content Caching and
Energy Saving [21.693946854653785]
本稿では,DGNNモデルの時間的・構造的学習を強化するために,追加のセマンティックメッセージを利用する,STGNという時間的グラフネットワークを提案する。
また,ユーザ固有のアテンション機構を提案し,様々なセマンティクスをきめ細やかに集約する。
論文 参考訳（メタデータ） (2023-01-29T04:17:32Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳（メタデータ） (2021-08-20T11:53:05Z) - 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) - 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) - Reinforcement Learning for Caching with Space-Time Popularity Dynamics [61.55827760294755]
キャッシングは次世代ネットワークにおいて重要な役割を果たすと想定されている。
コンテンツをインテリジェントにプリフェッチし、保存するためには、キャッシュノードは、何といつキャッシュするかを学ばなければならない。
本章では、近似キャッシングポリシー設計のための多目的強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-19T01:23:51Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z)
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。