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
- Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - Securing Distributed Network Digital Twin Systems Against Model Poisoning Attacks [19.697853431302768]
ディジタルツイン(DT)は、リアルタイム監視、予測、意思決定能力の向上を具現化する。
本研究では,分散ネットワークDTシステムにおけるセキュリティ上の課題について検討し,その後のネットワークアプリケーションの信頼性を損なう可能性がある。
論文 参考訳（メタデータ） (2024-07-02T03:32:09Z) - A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。
われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
論文 参考訳（メタデータ） (2024-06-18T08:42:51Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Multi-Tier Computing-Enabled Digital Twin in 6G Networks [50.236861239246835]
産業4.0では、製造業、自動車、医療などの産業がDTベースの開発を急速に採用している。
これまでの主な課題は、通信とコンピューティングリソースに対する高い要求と、プライバシとセキュリティに関する懸念だった。
新たなDTで低レイテンシと高セキュリティを実現するため,エッジ/フォグコンピューティングとクラウドコンピューティングを組み合わせたマルチ層コンピューティングが提案されている。
論文 参考訳（メタデータ） (2023-12-28T13:02:53Z) - 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) - 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) - 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。