論文の概要: Distributed Resource Allocation for URLLC in IIoT Scenarios: A
Multi-Armed Bandit Approach
- arxiv url: http://arxiv.org/abs/2211.12201v1
- Date: Tue, 22 Nov 2022 11:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:38:54.619559
- Title: Distributed Resource Allocation for URLLC in IIoT Scenarios: A
Multi-Armed Bandit Approach
- Title（参考訳）: IIoTシナリオにおけるURLLCのための分散リソース割り当て:マルチArmed Banditアプローチ
- Authors: Francesco Pase, Marco Giordani, Giampaolo Cuozzo, Sara Cavallero,
Joseph Eichinger, Roberto Verdone, Michele Zorzi
- Abstract要約: 本稿では,将来の6G産業用IoT(Industrial Internet of Things, IIoT)ネットワークにおいて,機械間ウルトラ信頼性低レイテンシ通信(URLLC)を実現するという課題に対処する。
本研究では,ユーザ機器がアリンク無線リソースを自律的に選択する機械学習に基づく,分散型ユーザ中心方式について検討する。
シミュレーションを用いて,URLLCを念頭に置いてリソースを割り当てる上で,MAB(Multi-Armed Bandit)アプローチが望ましい手法であることを実証した。
- 参考スコア（独自算出の注目度）: 17.24490186427519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of enabling inter-machine Ultra-Reliable
Low-Latency Communication (URLLC) in future 6G Industrial Internet of Things
(IIoT) networks. As far as the Radio Access Network (RAN) is concerned,
centralized pre-configured resource allocation requires scheduling grants to be
disseminated to the User Equipments (UEs) before uplink transmissions, which is
not efficient for URLLC, especially in case of flexible/unpredictable traffic.
To alleviate this burden, we study a distributed, user-centric scheme based on
machine learning in which UEs autonomously select their uplink radio resources
without the need to wait for scheduling grants or preconfiguration of
connections. Using simulation, we demonstrate that a Multi-Armed Bandit (MAB)
approach represents a desirable solution to allocate resources with URLLC in
mind in an IIoT environment, in case of both periodic and aperiodic traffic,
even considering highly populated networks and aggressive traffic.
- Abstract（参考訳）: 本稿では,将来の6G Industrial Internet of Things (IIoT)ネットワークにおいて,機械間超信頼性低レイテンシ通信(URLLC)の実現という課題に対処する。
無線アクセスネットワーク(ran)に関する限り、集中型事前設定されたリソース割り当ては、アップリンク送信前にユーザ機器(ues)にスケジューリング助成金を配布する必要がある。
そこで,本研究では,uesがスケジュールの付与や接続の事前設定を待たずに,自己的にアップリンク無線資源を選択する機械学習に基づく分散ユーザ中心のスキームについて検討する。
シミュレーションにより,高度に人口の多いネットワークやアグレッシブなトラフィックを考慮した場合であっても,IIoT環境におけるURLLCを念頭に置いてリソースを割り当てる上で,MAB(Multi-Armed Bandit)アプローチが望ましいソリューションであることを実証した。
関連論文リスト
- A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC
in Industrial IoT [16.167107624956294]
産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。
無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
論文 参考訳（メタデータ） (2023-11-21T12:22:04Z) - Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。
また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:42:30Z) - 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) - Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via
Conformal Prediction [72.59079526765487]
アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。
主な課題は、URLLCパケット生成のプロセスにおける不確実性である。
本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
論文 参考訳（メタデータ） (2023-02-15T14:09:55Z) - Device Selection for the Coexistence of URLLC and Distributed Learning
Services [12.093278114651524]
分散AIワークフローと超信頼性の低レイテンシ通信(URLLC)サービスをネットワーク上で並列に実行する混合サービスシナリオについて検討する。
コンバージェンス期間中のAIトレーニング遅延を最小限に抑えるために,デバイス選択のためのリスクベースの定式化を提案する。
我々はそれを深層強化学習問題に変換し、ソフトアクター批判アルゴリズムに基づく枠組みを用いて対処する。
論文 参考訳（メタデータ） (2022-12-22T15:36:15Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
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。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - 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) - Asynchronous Parallel Incremental Block-Coordinate Descent for
Decentralized Machine Learning [55.198301429316125]
機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。
急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。
本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
論文 参考訳（メタデータ） (2022-02-07T15:04:15Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Coordinates-based Resource Allocation Through Supervised Machine
Learning [14.014514995022182]
教師付き機械学習技術を用いた座標に基づく資源配分手法を提案する。
提案手法は,4秒のトレーニング時間しか必要とせず,現実的なシステムシミュレーションと一貫して機能する。
論文 参考訳（メタデータ） (2020-05-13T18:33:23Z)
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。