論文の概要: Digital Twin Virtualization with Machine Learning for IoT and Beyond 5G
Networks: Research Directions for Security and Optimal Control
- arxiv url: http://arxiv.org/abs/2204.01950v1
- Date: Tue, 5 Apr 2022 03:04:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 14:42:48.742129
- Title: Digital Twin Virtualization with Machine Learning for IoT and Beyond 5G
Networks: Research Directions for Security and Optimal Control
- Title(参考訳): IoTと5Gネットワークを越えた機械学習によるディジタルツイン仮想化 - セキュリティと最適制御のための研究方向
- Authors: Jithin Jagannath, Keyvan Ramezanpour, Anu Jagannath
- Abstract要約: デジタルツイン(DT)技術は、サイバー物理システムのリアルタイムデータ駆動モデリングのソリューションとして登場した。
我々は,クラウドコンピューティングを分散化して実装したDTフレームワークの概念階層アーキテクチャを構築した。
既存のシステム上での革新的な技術の開発と展開のリスクを下げることにおけるDTの重要性について論じる。
- 参考スコア(独自算出の注目度): 3.1798318618973362
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital twin (DT) technologies have emerged as a solution for real-time
data-driven modeling of cyber physical systems (CPS) using the vast amount of
data available by Internet of Things (IoT) networks. In this position paper, we
elucidate unique characteristics and capabilities of a DT framework that
enables realization of such promises as online learning of a physical
environment, real-time monitoring of assets, Monte Carlo heuristic search for
predictive prevention, on-policy, and off-policy reinforcement learning in
real-time. We establish a conceptual layered architecture for a DT framework
with decentralized implementation on cloud computing and enabled by artificial
intelligence (AI) services for modeling, event detection, and decision-making
processes. The DT framework separates the control functions, deployed as a
system of logically centralized process, from the physical devices under
control, much like software-defined networking (SDN) in fifth generation (5G)
wireless networks. We discuss the moment of the DT framework in facilitating
implementation of network-based control processes and its implications for
critical infrastructure. To clarify the significance of DT in lowering the risk
of development and deployment of innovative technologies on existing system, we
discuss the application of implementing zero trust architecture (ZTA) as a
necessary security framework in future data-driven communication networks.
- Abstract(参考訳): デジタルツイン(DT)技術は、IoT(Internet of Things)ネットワークで利用可能な膨大なデータを使用して、サイバー物理システム(CPS)のリアルタイムデータ駆動モデリングのソリューションとして登場した。
本稿では,物理環境のオンライン学習,資産のリアルタイムモニタリング,モンテカルロ・ヒューリスティックサーチによる予測防止,オンポリシー,オフポリシー強化学習などを実現するdtフレームワークの特徴と能力を明らかにする。
我々は,クラウドコンピューティング上での分散実装によるDTフレームワークの概念階層アーキテクチャを構築し,モデリング,イベント検出,意思決定プロセスのための人工知能(AI)サービスによって実現した。
DTフレームワークは、第5世代(5G)無線ネットワークにおけるソフトウェア定義ネットワーク(SDN)のように、論理的に集中したプロセスのシステムとしてデプロイされる制御機能を、制御対象の物理デバイスから分離する。
我々は、ネットワークベースの制御プロセスの実装を容易にするdtフレームワークのモーメントと、その重要なインフラへの影響について論じる。
既存のシステム上での革新的な技術開発・展開のリスクを下げることにおけるDTの重要性を明らかにするため,将来データ駆動通信ネットワークにおけるセキュリティフレームワークとしてのゼロ信頼アーキテクチャ(ZTA)の適用について論じる。
関連論文リスト
- Internet of Federated Digital Twins (IoFDT): Connecting Twins Beyond
Borders for Society 5.0 [50.4422158617105]
デジタルツイン(DT)の概念は将来の産業に革命をもたらすことが期待されており、将来のスマート社会、すなわち社会5.0のビジョンの中心に位置する。
本稿では,異種・物理的に分離されたDTを一元的に統合するインターネット・オブ・フェデレーション・デジタル・ツインズ(IoFDT)の新たな概念を思い起こさせる。
論文 参考訳(メタデータ) (2023-12-11T14:56:27Z) - 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) - Bringing AI to the edge: A formal M&S specification to deploy effective
IoT architectures [0.0]
モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。
これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。
フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
論文 参考訳(メタデータ) (2023-05-11T21:29:58Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - The Interplay of AI and Digital Twin: Bridging the Gap between
Data-Driven and Model-Driven Approaches [2.842794675894731]
Digital Twin(DT)の概念は、物理エンティティとネットワークダイナミクスのための仮想ツインを作成することを目的としている。
AIがDTのシードであるという一般的な理解にもかかわらず、DTとAIが互いに有効になることを期待しています。
論文 参考訳(メタデータ) (2022-09-26T05:12:58Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳(メタデータ) (2022-04-29T08:06:05Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳(メタデータ) (2022-04-08T19:06:16Z) - Intelligent Zero Trust Architecture for 5G/6G Tactical Networks:
Principles, Challenges, and the Role of Machine Learning [4.314956204483074]
課題を強調し,信頼できないコンポーネントを持つ5G/6Gネットワークのセキュリティフレームワークとして,インテリジェントゼロ信頼アーキテクチャ(i-ZTA)の概念を導入する。
本稿では,現代の人工知能(AI)アルゴリズムを開発して,信頼できないネットワークにおける情報セキュリティを提供するi-ZTAのアーキテクチャ設計について述べる。
論文 参考訳(メタデータ) (2021-05-04T13:14:29Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳(メタデータ) (2020-09-13T14:53:01Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳(メタデータ) (2020-03-30T15:12:03Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。