論文の概要: Energy-Efficient Wake-Up Signalling for Machine-Type Devices Based on
Traffic-Aware Long-Short Term Memory Prediction
- arxiv url: http://arxiv.org/abs/2206.06058v1
- Date: Mon, 13 Jun 2022 11:42:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 17:53:56.036743
- Title: Energy-Efficient Wake-Up Signalling for Machine-Type Devices Based on
Traffic-Aware Long-Short Term Memory Prediction
- Title（参考訳）: 交通を考慮した長期記憶予測に基づく機械型デバイスのエネルギー効率向上
- Authors: David E. Ru\'iz-Guirola, Carlos A. Rodr\'iguez-L\'opez, Samuel
Montejo-S\'anchez, Richard Demo Souza, Onel L. A. L\'opez and Hirley Alves
- Abstract要約: Wake-up Signal (WuS)技術は、機械型デバイス(MTD)の無線インタフェースが消費するエネルギーを最小化する
我々は、MSCトラフィックパターンを予測し、それに応じてWuSを構成するための、単純だが効率的なニューラルネットワークを設計する。
エネルギー消費の削減に関して、FWuSは最大32%で最高のベンチマークメカニズムを上回ります。
- 参考スコア（独自算出の注目度）: 10.51090547010728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing energy consumption is a pressing issue in low-power machine-type
communication (MTC) networks. In this regard, the Wake-up Signal (WuS)
technology, which aims to minimize the energy consumed by the radio interface
of the machine-type devices (MTDs), stands as a promising solution. However,
state-of-the-art WuS mechanisms use static operational parameters, so they
cannot efficiently adapt to the system dynamics. To overcome this, we design a
simple but efficient neural network to predict MTC traffic patterns and
configure WuS accordingly. Our proposed forecasting WuS (FWuS) leverages an
accurate long-short term memory (LSTM)- based traffic prediction that allows
extending the sleep time of MTDs by avoiding frequent page monitoring occasions
in idle state. Simulation results show the effectiveness of our approach. The
traffic prediction errors are shown to be below 4%, being false alarm and
miss-detection probabilities respectively below 8.8% and 1.3%. In terms of
energy consumption reduction, FWuS can outperform the best benchmark mechanism
in up to 32%. Finally, we certify the ability of FWuS to dynamically adapt to
traffic density changes, promoting low-power MTC scalability
- Abstract（参考訳）: 低消費電力機械型通信(MTC)ネットワークでは省エネルギー化が課題となっている。
この点において、機械型デバイス(MTD)の無線インタフェースが消費するエネルギーを最小化することを目的としたWuS(Wake-up Signal)技術は、有望な解決策である。
しかし、最先端のWuSメカニズムは静的な操作パラメータを使用するため、システムダイナミクスに効率的に適応することはできない。
そこで我々は,mtcのトラフィックパターンを予測し,それに応じてwusを構成するための,単純かつ効率的なニューラルネットワークを設計した。
提案する予測wus (fwus) は,遅延状態のページ監視を回避し,mtdの睡眠時間を延ばすことのできる,精度の高いlong-short term memory (lstm) ベースのトラヒック予測を活用している。
シミュレーションの結果,提案手法の有効性が示された。
交通予測誤差は4%未満で、誤報と誤検出確率はそれぞれ8.8%と1.3%である。
エネルギー消費削減の観点からは、fwusは最高ベンチマークメカニズムを最大32%で上回ることができる。
最後に、FWuSが交通密度の変化に動的に適応し、低消費電力のMCCスケーラビリティを促進する能力を証明する。
関連論文リスト
- Enhancing Predictive Maintenance in Mining Mobile Machinery through a TinyML-enabled Hierarchical Inference Network [0.0]
本稿では,予測保守のためのエッジセンサネットワーク(ESN-PdM)を紹介する。
ESN-PdMはエッジデバイス、ゲートウェイ、クラウドサービスにまたがる階層的推論フレームワークで、リアルタイムな状態監視を行う。
システムは、正確性、レイテンシ、バッテリー寿命のトレードオフに基づいて、デバイス、オンゲートウェイ、あるいはクラウド上の推論位置を動的に調整する。
論文 参考訳（メタデータ） (2024-11-11T17:48:04Z) - SpiDR: A Reconfigurable Digital Compute-in-Memory Spiking Neural Network Accelerator for Event-based Perception [8.968583287058959]
スパイキングニューラルネットワーク(SNN)は、ダイナミックビジョンセンサー(DVS)によって生成された非同期時間データを効率的に処理する方法を提供する。
既存のSNNアクセラレータは、多様なニューロンモデル、ビット精度、ネットワークサイズへの適応性の制限に悩まされている。
本稿では,CIM (Citical Compute-in-Memory) SNNアクセラレーターを,拡張性および再構成性を備えたチップ名として提案する。
論文 参考訳（メタデータ） (2024-11-05T06:59:02Z) - Pattern-Matching Dynamic Memory Network for Dual-Mode Traffic Prediction [11.99118889081249]
トラフィック予測のためのパターンマッチング動的メモリネットワーク(PM-DMNet)を提案する。
PM-DMNetは、O(N)複雑さだけでトラフィックパターンの特徴を捉えるために、新しい動的メモリネットワークを採用している。
提案モデルは既存のベンチマークよりも優れている。
論文 参考訳（メタデータ） (2024-08-12T15:12:30Z) - Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T21:57:20Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Online Transformers with Spiking Neurons for Fast Prosthetic Hand
Control [1.6114012813668934]
本稿では,自己注意機構の代わりにスライディングウィンドウアテンション機構を用いる。
この機構は、入力とターゲット間の有限範囲依存性を持つ連続的な信号に対してより効率的であることを示す。
本研究の結果は,スムーズな義手制御のためのsEMG信号の正確かつ高速なオンライン処理を約束するものである。
論文 参考訳（メタデータ） (2023-03-21T13:59:35Z) - 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) - AdaViT: Adaptive Tokens for Efficient Vision Transformer [91.88404546243113]
本稿では,視覚変換器(ViT)の推論コストを,複雑さの異なる画像に対して適応的に調整する手法であるAdaViTを紹介する。
AdaViTは、推論が進むにつれてネットワーク内で処理されるビジョントランスフォーマーのトークン数を自動で削減することで、これを実現する。
論文 参考訳（メタデータ） (2021-12-14T18:56:07Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳（メタデータ） (2021-04-04T03:17:26Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。