論文の概要: Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks

• arxiv url: http://arxiv.org/abs/2208.08039v1
• Date: Wed, 17 Aug 2022 03:00:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:26:49.603218
• Title: Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks
• Title（参考訳）: 超信頼性・低レイテンシthz無線ネットワークのための人工知能による複数アクセス
• Authors: Alexandros-Apostolos A. Boulogeorgos, Edwin Yaqub, Rachana Desai, Tachporn Sanguanpuak, Nikos Katzouris, Fotis Lazarakis, Angeliki Alexiou and Marco Di Renzo
• Abstract要約: テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
• 参考スコア（独自算出の注目度）: 76.89730672544216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Terahertz (THz) wireless networks are expected to catalyze the beyond fifth generation (B5G) era. However, due to the directional nature and the line-of-sight demand of THz links, as well as the ultra-dense deployment of THz networks, a number of challenges that the medium access control (MAC) layer needs to face are created. In more detail, the need of rethinking user association and resource allocation strategies by incorporating artificial intelligence (AI) capable of providing "real-time" solutions in complex and frequently changing environments becomes evident. Moreover, to satisfy the ultra-reliability and low-latency demands of several B5G applications, novel mobility management approaches are required. Motivated by this, this article presents a holistic MAC layer approach that enables intelligent user association and resource allocation, as well as flexible and adaptive mobility management, while maximizing systems' reliability through blockage minimization. In more detail, a fast and centralized joint user association, radio resource allocation, and blockage avoidance by means of a novel metaheuristic-machine learning framework is documented, that maximizes the THz networks performance, while minimizing the association latency by approximately three orders of magnitude. To support, within the access point (AP) coverage area, mobility management and blockage avoidance, a deep reinforcement learning (DRL) approach for beam-selection is discussed. Finally, to support user mobility between coverage areas of neighbor APs, a proactive hand-over mechanism based on AI-assisted fast channel prediction is~reported.
• Abstract（参考訳）: terahertz (thz) ワイヤレスネットワークは、beyond fifth generation (b5g)時代を触媒すると予想されている。 しかしながら、thzリンクの方向的性質と視線需要、およびthzネットワークの超高密度展開により、媒体アクセス制御(mac)層が直面するべき課題がいくつも作成されている。 より詳しくは、複雑かつ頻繁な環境において「リアルタイム」なソリューションを提供する人工知能(AI)を取り入れることで、ユーザアソシエーションとリソースアロケーション戦略を再考する必要性が明らかになる。 さらに、複数のb5gアプリケーションの超信頼性と低遅延要求を満たすために、新しいモビリティ管理アプローチが必要である。 そこで本稿では,インテリジェントなユーザアソシエーションとリソースアロケーション,柔軟性と適応性を備えたモビリティ管理を実現するとともに,ブロック化によるシステムの信頼性を最大化する,総合的なmacレイヤアプローチを提案する。 より詳しくは、新しいメタヒューリスティック・マシン・ラーニング・フレームワークによる高速で集中的な共同ユーザ・アソシエーション、無線リソースアロケーション、ブロック回避を文書化し、THzネットワークの性能を最大化するとともに、アソシエーション遅延を約3桁まで最小化する。 アクセスポイント(AP)カバレッジエリア,モビリティ管理,ブロック回避を支援するために,ビーム選択のための深層強化学習(DRL)アプローチについて議論した。 最後に、近隣APのカバレッジ領域間のユーザモビリティをサポートするため、AIによる高速チャネル予測に基づくアクティブハンドオーバ機構が報告されている。

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)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
  フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。 LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
  論文  参考訳（メタデータ） (2022-09-13T10:39:41Z)
• Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
  新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。 本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-30T17:00:53Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Intelligent Blockage Prediction and Proactive Handover for Seamless Connectivity in Vision-Aided 5G/6G UDNs [8.437758224218648]
  超高密度ネットワーク(UDN)におけるモビリティ管理の課題 本稿では,無線信号とオンロード監視システムを利用した新しいメカニズムを提案し,ブロックの可能性を事前に予測し,タイムリーなハンドオーバ(HO)を行う。 その結果,我々のBLK検出とPHOアルゴリズムは,ユーザ接続性および要求品質(QoE)の40%向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-21T16:21:49Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)
• Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services [10.718353079920007]
  本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。 提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
  論文  参考訳（メタデータ） (2021-03-18T14:18:34Z)
• Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
  エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。 クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。 本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:30:08Z)
• 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)

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。