論文の概要: Proactive Resilient Transmission and Scheduling Mechanisms for mmWave
Networks
- arxiv url: http://arxiv.org/abs/2211.09307v1
- Date: Thu, 17 Nov 2022 02:52:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 17:31:37.890530
- Title: Proactive Resilient Transmission and Scheduling Mechanisms for mmWave
Networks
- Title（参考訳）: mmwaveネットワークの能動型レジリエント伝送とスケジューリング機構
- Authors: Mine Gokce Dogan, Martina Cardone, Christina Fragouli
- Abstract要約: 本稿では、任意のミリ波(mmWave)ネットワークにおいて、複数の経路にまたがるトラフィックを適切に分散するレジリエント伝送機構を開発することを目的とする。
リンク障害に対するレジリエンスを実現するため,ネットワークを介した情報の流れに適応する最先端のソフトアクタ・クリティカルDRLについて検討した。
- 参考スコア（独自算出の注目度）: 29.17280879786624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper aims to develop resilient transmission mechanisms to suitably
distribute traffic across multiple paths in an arbitrary millimeter-wave
(mmWave) network. The main contributions include: (a) the development of
proactive transmission mechanisms that build resilience against network
disruptions in advance, while achieving a high end-to-end packet rate; (b) the
design of a heuristic path selection algorithm that efficiently selects (in
polynomial time in the network size) multiple proactively resilient paths with
high packet rates; and (c) the development of a hybrid scheduling algorithm
that combines the proposed path selection algorithm with a deep reinforcement
learning (DRL) based online approach for decentralized adaptation to blocked
links and failed paths. To achieve resilience to link failures, a
state-of-the-art Soft Actor-Critic DRL algorithm, which adapts the information
flow through the network, is investigated. The proposed scheduling algorithm
robustly adapts to link failures over different topologies, channel and
blockage realizations while offering a superior performance to alternative
algorithms.
- Abstract（参考訳）: 本稿では、任意のミリ波(mmWave)ネットワークにおいて、複数の経路にまたがるトラフィックを適切に分散するレジリエント伝送機構を開発することを目的とする。
主な貢献は以下の通り。
(a)ネットワーク障害に対するレジリエンスを事前に構築し、かつ、エンドツーエンドのパケットレートを高く達成するプロアクティブトランスミッション機構の開発
(b)パケットレートの高い複数の積極的な弾力性経路を効率良く(ネットワークサイズで多項式時間で)選択するヒューリスティック経路選択アルゴリズムの設計
(c)提案した経路選択アルゴリズムと深部強化学習(DRL)に基づくオンライン手法を組み合わせたハイブリッドスケジューリングアルゴリズムの開発。
リンク障害に対するレジリエンスを実現するため,ネットワークを介した情報の流れに適応する最先端のソフトアクタ・クリティカルDRLアルゴリズムについて検討した。
提案したスケジューリングアルゴリズムは,異なるトポロジ,チャネル,ブロックを実現する上での障害のリンクに強く適応し,代替アルゴリズムに優れた性能を提供する。
関連論文リスト
- Reinforcement-Learning based routing for packet-optical networks with hybrid telemetry [0.3848364262836075]
このアルゴリズムは,FEC前BERで測定したリンク負荷変化やリンク劣化に対する最適ポリシーを再計算することにより,ネットワーク条件の変化に動的に適応することを示した。
論文 参考訳（メタデータ） (2024-06-18T13:32:12Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - Robust Path Selection in Software-defined WANs using Deep Reinforcement
Learning [18.586260468459386]
本稿では、経路計算と経路更新のオーバーヘッドを考慮した、ネットワーク内の経路選択を行うデータ駆動アルゴリズムを提案する。
提案手法は,ECMPなどの従来のTE方式に比べてリンク利用率を40%削減できる。
論文 参考訳（メタデータ） (2022-12-21T16:08:47Z) - Decentralized Federated Reinforcement Learning for User-Centric Dynamic
TFDD Control [37.54493447920386]
非対称かつ不均一なトラフィック要求を満たすための学習に基づく動的時間周波数分割二重化(D-TFDD)方式を提案する。
分散化された部分観測可能なマルコフ決定過程(Dec-POMDP)として問題を定式化する。
本稿では,グローバルリソースを分散的に最適化するために,Wolpertinger Deep Deterministic Policy gradient (FWDDPG)アルゴリズムという,連合強化学習(RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-04T07:39:21Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - 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) - Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。
量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
論文 参考訳（メタデータ） (2021-11-15T14:07:22Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - A Heuristically Assisted Deep Reinforcement Learning Approach for
Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。
提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文 参考訳（メタデータ） (2021-05-14T10:04:17Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z)
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。