論文の概要: Optimizing Wi-Fi Channel Selection in a Dense Neighborhood
- arxiv url: http://arxiv.org/abs/2211.03872v1
- Date: Mon, 7 Nov 2022 21:23:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 16:56:05.824299
- Title: Optimizing Wi-Fi Channel Selection in a Dense Neighborhood
- Title（参考訳）: 密集地区におけるWi-Fiチャネル選択の最適化
- Authors: Yonatan Vaizman and Hongcheng Wang
- Abstract要約: 密集した地区では、近くには何十軒もの家があることが多い。
Wi-Fiに重複しない無線チャンネルがほとんどない(通常は2か3つ)ため、近隣の家庭ではチャンネルを共有し、空域で競うことがある。
密集地におけるすべてのAPに対して集中的にWi-Fiチャネル選択を行う方法を提案する。
- 参考スコア（独自算出の注目度）: 2.5699371511994777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In dense neighborhoods, there are often dozens of homes in close proximity.
This can either be a tight city-block with many single-family homes (SFHs), or
a multiple dwelling units (MDU) complex (such as a big apartment building or
condominium). Each home in such a neighborhood (either a SFH or a single unit
in a MDU complex) has its own Wi-Fi access point (AP). Because there are few
(typically 2 or 3) non-overlapping radio channels for Wi-Fi, neighboring homes
may find themselves sharing a channel and competing over airtime, which may
cause bad experience of slow internet (long latency, buffering while streaming
movies, etc.). Wi-Fi optimization over all the APs in a dense neighborhood is
highly desired to provide the best user experience.
We present a method for Wi-Fi channel selection in a centralized way for all
the APs in a dense neighborhood. We describe how to use recent observations to
estimate the potential-pain matrix - for each pair of APs, how much Wi-Fi-pain
would they cause each other if they were on the same channel. We formulate an
optimization problem - finding a channel allocation (which channel each home
should use) that minimizes the total Wi-Fi-pain in the neighborhood. We design
an optimization algorithm that uses gradient descent over a neural network to
solve the optimization problem. We describe initial results from offline
experiments comparing our optimization solver to an off-the-shelf
mixed-integer-programming solver. In our experiments we show that the
off-the-shelf solver manages to find a better (lower total pain) solution on
the train data (from the recent days), but our neural-network solver
generalizes better - it finds a solution that achieves lower total pain for the
test data (tomorrow).
- Abstract（参考訳）: 密集した地区では、近隣に数十の住宅があることが多い。
これは、多くの一戸建て住宅(SFH)と密集した都市ブロックや、複数の住宅ユニット(MDU)複合施設(大きなアパートやマンションなど)のどちらかである。
そのような地区の各家庭(SFHまたはMDUコンプレックスの1つのユニット)には独自のWi-Fiアクセスポイント(AP)がある。
Wi-Fiの非重なりの無線チャンネルがほとんどない(通常は2ないし3つ)ため、近隣の家庭はチャンネルを共有し、インターネットが遅い場合(長時間の遅延、映画をストリーミングする際のバッファリングなど)に悪影響を及ぼす可能性がある。
密集した地区のすべてのAPに対してWi-Fiを最適化することは、最高のユーザー体験を提供するために非常に望ましい。
密集地におけるすべてのAPに対して集中的にWi-Fiチャネル選択を行う方法を提案する。
それぞれのAPに対して、同じチャネル上にいる場合、Wi-Fi-Pain同士がどれだけの頻度で発生するかを推定するために、最近の観測方法を説明します。
最適化問題を定式化する - 近隣のwi-fi-painを最小化するチャネル割り当て(各家庭が使用するチャネル)を見つける。
最適化問題を解くために,ニューラルネットワーク上の勾配降下を用いた最適化アルゴリズムを設計する。
最適化解法と市販混合整数プログラミング解法を比較したオフライン実験の初期結果について述べる。
私たちの実験では、オフザシェルフソルバが、列車データ(最近のもの)において、より良い(より低い)全痛みのソリューションを見つけることができましたが、ニューラルネットワークソルバがより良く一般化し、テストデータ(明日)の総痛みの低減を実現するソリューションを見つけました。
関連論文リスト
- Using metaheuristics for the location of bicycle stations [4.2847927405489195]
我々は、p中間問題として問題をモデル化し、最適化における既存の主要な局所化問題である。
p中間問題は、一組の顧客(市民)と最寄りの施設(自転車駅)との距離を最小化する形で、一組の施設(自転車駅)を配置することを目指している。
論文 参考訳（メタデータ） (2024-02-06T12:19:46Z) - SplitBeam: Effective and Efficient Beamforming in Wi-Fi Networks Through
Split Computing [12.574388457311809]
SplitBeamは、分割ディープニューラルネットワーク(DNN)をトレーニングして、ビームフォーミングマトリックスを直接入力として出力する、新しいフレームワークである。
我々は,アプリケーション要件以下で計算,空調オーバーヘッド,ビット誤り率(BER)を維持するために,ボトルネック最適化問題(BOP)を定式化し,解決する。
実験の結果, SplitBeamは, BERを約10～3のアプローチで維持しながら, ビームフォーミングフィードバックサイズと計算複雑性を最大81%, 84%削減できることがわかった。
論文 参考訳（メタデータ） (2023-10-12T18:29:21Z) - On Differential Privacy for Federated Learning in Wireless Systems with
Multiple Base Stations [90.53293906751747]
複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。
本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。
提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
論文 参考訳（メタデータ） (2022-08-25T03:37:11Z) - Improved Training of Physics-Informed Neural Networks with Model
Ensembles [81.38804205212425]
我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。
すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。
提案手法は, 得られた解の精度を向上させることができることを示す。
論文 参考訳（メタデータ） (2022-04-11T14:05:34Z) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳（メタデータ） (2021-06-20T13:51:18Z) - WiFiNet: WiFi-based indoor localisation using CNNs [2.242735348583755]
分類問題における畳み込みニューラルネットワークを活用した新しいWiFi型屋内ローカリゼーションシステムを提案する。
その結果、WiFiNetは中規模環境での屋内ローカライズの優れたアプローチであることがわかった。
論文 参考訳（メタデータ） (2021-04-14T10:49:17Z) - Concurrent Decentralized Channel Allocation and Access Point Selection
using Multi-Armed Bandits in multi BSS WLANs [2.0305676256390934]
Multi-Armed Bandits (MAB) は、分散チャネル割り当てとAP選択問題に対する実現可能なソリューションを提供することができる。
本評価は,異なるネットワークトポロジとトラフィック負荷を含むランダムに生成されたシナリオに対して行われる。
論文 参考訳（メタデータ） (2020-06-05T10:20:40Z) - Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。
建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
論文 参考訳（メタデータ） (2020-04-25T22:54:35Z) - Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。
現在の解は均一であり、全てのフィルタに同じビット幅を使用する。
これは異なるフィルタの異なる感度を考慮せず、最適以下である。
混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
論文 参考訳（メタデータ） (2020-04-13T07:02:23Z) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳（メタデータ） (2020-01-12T15:54:20Z)
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。