論文の概要: An Intelligent Deterministic Scheduling Method for Ultra-Low Latency
Communication in Edge Enabled Industrial Internet of Things
- arxiv url: http://arxiv.org/abs/2207.08226v1
- Date: Sun, 17 Jul 2022 16:52:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 05:10:00.281251
- Title: An Intelligent Deterministic Scheduling Method for Ultra-Low Latency
Communication in Edge Enabled Industrial Internet of Things
- Title（参考訳）: エッジ型産業用インターネットにおける超低遅延通信のための知的決定論的スケジューリング法
- Authors: Yinzhi Lu, Liu Yang, Simon X. Yang, Qiaozhi Hua, Arun Kumar Sangaiah,
Tan Guo, Keping Yu
- Abstract要約: 時間知覚ネットワーク (TSN) は, 決定論的スケジューリングによる低遅延通信を実現するために最近研究されている。
非衝突理論に基づく決定論的スケジューリング (NDS) 法を提案し, 時間に敏感な流れに対する超低遅延通信を実現する。
実験の結果,NDS/DQSは決定論的超低レイテンシサービスを十分にサポートし,帯域幅の有効利用を保証できることがわかった。
- 参考スコア（独自算出の注目度）: 19.277349546331557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge enabled Industrial Internet of Things (IIoT) platform is of great
significance to accelerate the development of smart industry. However, with the
dramatic increase in real-time IIoT applications, it is a great challenge to
support fast response time, low latency, and efficient bandwidth utilization.
To address this issue, Time Sensitive Network (TSN) is recently researched to
realize low latency communication via deterministic scheduling. To the best of
our knowledge, the combinability of multiple flows, which can significantly
affect the scheduling performance, has never been systematically analyzed
before. In this article, we first analyze the combinability problem. Then a
non-collision theory based deterministic scheduling (NDS) method is proposed to
achieve ultra-low latency communication for the time-sensitive flows. Moreover,
to improve bandwidth utilization, a dynamic queue scheduling (DQS) method is
presented for the best-effort flows. Experiment results demonstrate that
NDS/DQS can well support deterministic ultra-low latency services and guarantee
efficient bandwidth utilization.
- Abstract（参考訳）: エッジを有効にした産業用IoT(Industrial Internet of Things)プラットフォームは、スマート産業の発展を加速するために非常に重要である。
しかし、リアルタイムIIoTアプリケーションの劇的な増加に伴い、迅速な応答時間、低レイテンシ、効率的な帯域幅利用をサポートすることは大きな課題である。
この問題に対処するため、TSN(Time Sensitive Network)が最近研究され、決定論的スケジューリングによる低レイテンシ通信を実現している。
我々の知る限り、スケジューリング性能に大きな影響を与える複数のフローの結合性は、これまで体系的に解析されたことがなかった。
本稿では,まず結合性問題を分析する。
そこで,非衝突理論に基づく決定論的スケジューリング (NDS) 法を提案し,時間に敏感な流れに対する超低遅延通信を実現する。
さらに、帯域幅利用を改善するために、最良の流れに対して動的キュースケジューリング(DQS)手法を提案する。
実験の結果,NDS/DQSは決定論的超低レイテンシサービスを十分にサポートし,帯域幅の有効利用を保証できることがわかった。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - SafeTail: Efficient Tail Latency Optimization in Edge Service Scheduling via Computational Redundancy Management [2.707215971599082]
拡張現実のような新興アプリケーションは、ユーザデバイスに高い信頼性を持つ低レイテンシコンピューティングサービスを必要とする。
私たちはSafeTailを紹介した。これは中央値と末尾の応答時間の両方の目標を満たすフレームワークで、テールレイテンシは90%以上のレイテンシで定義されています。
論文 参考訳（メタデータ） (2024-08-30T10:17:37Z) - Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。
3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。
これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
論文 参考訳（メタデータ） (2023-08-30T10:57:41Z) - Accuracy-Guaranteed Collaborative DNN Inference in Industrial IoT via
Deep Reinforcement Learning [10.223526707269537]
計算集約型ディープニューラルネットワーク(DNN)推論サービスをサポートするためには,IoT(Industrial Internet of Things)デバイスとエッジネットワークのコラボレーションが不可欠だ。
本稿では,産業用IoTネットワークにおける協調推論問題について検討する。
論文 参考訳（メタデータ） (2022-12-31T05:53:17Z) - Semantic Communication Enabling Robust Edge Intelligence for
Time-Critical IoT Applications [87.05763097471487]
本稿では、時間クリティカルなIoTアプリケーションのためのセマンティック通信を用いて、堅牢なエッジインテリジェンスを設計することを目的とする。
本稿では,画像DCT係数が推定精度に与える影響を解析し,オフロードのためのチャネル非依存の有効性符号化を提案する。
論文 参考訳（メタデータ） (2022-11-24T20:13:17Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z) - A Learning-Based Fast Uplink Grant for Massive IoT via Support Vector
Machines and Long Short-Term Memory [8.864453148536057]
3IoTは、レイテンシを低減し、スマートインターネット・オブ・シング(mMTC)アプリケーションの信頼性を高めるために、高速アップリンク・アロケーション(FUG)を使用する必要性を導入した。
サポートマシンスケジューラ(SVM)に基づく新しいFUGアロケーションを提案する。
第2に、LSTMアーキテクチャは、予測エラーを克服するためにトラフィック予測と補正技術に使用される。
論文 参考訳（メタデータ） (2021-08-02T11:33:02Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware
Multi-Task NLP Inference [82.1584439276834]
BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。
We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
論文 参考訳（メタデータ） (2020-11-28T19:21:47Z) - Dynamic Compression Ratio Selection for Edge Inference Systems with Hard
Deadlines [9.585931043664363]
本稿では,ハード期限付きエッジ推論システムの動的圧縮比選択手法を提案する。
誤り推論により少ない圧縮データを再送信する情報拡張を提案し,精度向上を図る。
無線伝送エラーを考慮し、パケット損失による性能劣化を低減する再送信方式を更に設計する。
論文 参考訳（メタデータ） (2020-05-25T17:11:53Z) - Intelligent Bandwidth Allocation for Latency Management in NG-EPON using
Reinforcement Learning Methods [3.723835690294061]
拡張学習を用いたNG-EPONにおける新しい帯域割り当て方式を提案し,遅延管理について実証した。
固定トラフィック負荷シナリオと動的トラフィック負荷シナリオの両方で提案手法の有効性を検証し,平均遅延1msを実現する。
論文 参考訳（メタデータ） (2020-01-21T18:58:56Z)
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。