論文の概要: Reinforcement Learning for Protocol Synthesis in Resource-Constrained
Wireless Sensor and IoT Networks
- arxiv url: http://arxiv.org/abs/2302.05300v1
- Date: Sat, 14 Jan 2023 03:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:16:33.063604
- Title: Reinforcement Learning for Protocol Synthesis in Resource-Constrained
Wireless Sensor and IoT Networks
- Title(参考訳): 資源制約型無線センサとIoTネットワークにおけるプロトコル合成のための強化学習
- Authors: Hrishikesh Dutta, Amit Kumar Bhuyan, and Subir Biswas
- Abstract要約: 本稿では、メディアアクセス制御(MAC)におけるRLとMulti Armed Bandit(MAB)の使用について紹介する。
次に、ランダムアクセスとタイムスロットネットワークの両方において、メディアアクセスの特定の困難と制限に対処する、新しい学習ベースのプロトコル合成フレームワークを導入する。
ノードによる独立したプロトコル学習の能力により、システムはネットワークや交通条件の変化に対して堅牢で適応できる。
- 参考スコア(独自算出の注目度): 1.462434043267217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article explores the concepts of online protocol synthesis using
Reinforcement Learning (RL). The study is performed in the context of sensor
and IoT networks with ultra low complexity wireless transceivers. The paper
introduces the use of RL and Multi Armed Bandit (MAB), a specific type of RL,
for Medium Access Control (MAC) under different network and traffic conditions.
It then introduces a novel learning based protocol synthesis framework that
addresses specific difficulties and limitations in medium access for both
random access and time slotted networks. The mechanism does not rely on carrier
sensing, network time-synchronization, collision detection, and other low level
complex operations, thus making it ideal for ultra simple transceiver hardware
used in resource constrained sensor and IoT networks. Additionally, the ability
of independent protocol learning by the nodes makes the system robust and
adaptive to the changes in network and traffic conditions. It is shown that the
nodes can be trained to learn to avoid collisions, and to achieve network
throughputs that are comparable to ALOHA based access protocols in sensor and
IoT networks with simplest transceiver hardware. It is also shown that using
RL, it is feasible to synthesize access protocols that can sustain network
throughput at high traffic loads, which is not feasible in the ALOHA-based
systems. The ability of the system to provide throughput fairness under network
and traffic heterogeneities are also experimentally demonstrated.
- Abstract(参考訳): 本稿では,Reinforcement Learning (RL) を用いたオンラインプロトコル合成の概念について考察する。
この研究は、超低密度無線トランシーバを用いたセンサとIoTネットワークのコンテキストで実施された。
本稿では、異なるネットワークおよび交通条件下でのメディアアクセス制御(MAC)におけるRLとMulti Armed Bandit(MAB)の使用について紹介する。
次に、ランダムアクセスと時間スロット付きネットワークの両方の媒体アクセスの特定の困難と制限に対処する、新しい学習ベースのプロトコル合成フレームワークを導入する。
このメカニズムはキャリアセンシング、ネットワーク時間同期、衝突検出、その他の低レベルの複雑な操作に依存しないので、リソース制約のセンサーやIoTネットワークで使用される超単純なトランシーバハードウェアに最適である。
さらに、ノードによる独立したプロトコル学習の能力により、システムはネットワークや交通条件の変化に対して堅牢で適応できる。
ノードは、衝突を避けるために学習し、最も単純なトランシーバハードウェアを備えたセンサおよびIoTネットワークにおけるALOHAベースのアクセスプロトコルに匹敵するネットワークスループットを達成することができる。
また、RLを用いることで、ALOHAベースのシステムでは実現不可能な高いトラフィック負荷でネットワークスループットを維持できるアクセスプロトコルを合成できることを示す。
ネットワークとトラフィックの不均質性下でのスループットの公平性を提供するシステムの能力も実験的に実証されている。
関連論文リスト
- RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文 参考訳(メタデータ) (2024-05-08T17:28:07Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - 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) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - UAV-Aided Decentralized Learning over Mesh Networks [23.612400109629544]
分散学習は、デバイス間通信(D2D)のみに依存する機械学習(ML)モデルを協調的にトレーニングする、無線ネットワークデバイスに権限を与える。
実世界のメッシュネットワークのローカル接続は、無線ノードの通信範囲が限られており、分散学習プロトコルの効率を損なう。
本論文は,UAVトラジェクトリを最適化し,ユーザグループ間のインテリジェンスを伝達するために,UAVが逐次訪問する一連の経路ポイントとして定義する。
論文 参考訳(メタデータ) (2022-03-02T10:39:40Z) - FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。
FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。
分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
論文 参考訳(メタデータ) (2021-05-25T08:02:44Z) - Medium Access using Distributed Reinforcement Learning for IoTs with
Low-Complexity Wireless Transceivers [2.6397379133308214]
本論文では,低複雑性無線トランシーバを用いたIoTネットワークにおけるMAC層無線プロトコルに使用できる分散強化学習(RL)ベースのフレームワークを提案する。
このフレームワークでは、アクセスプロトコルをまずMarkov Decision Processs (MDP) として定式化し、次にRLを用いて解決する。
本論文は,学習パラダイムの性能と,ノードが様々なネットワークダイナミクスに応答して,その最適伝達戦略をオンザフライで適応させる能力を示す。
論文 参考訳(メタデータ) (2021-04-29T17:57:43Z) - Semi-supervised Variational Temporal Convolutional Network for IoT
Communication Multi-anomaly Detection [3.3659034873495632]
モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。
これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。
本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
論文 参考訳(メタデータ) (2021-04-05T08:51:24Z) - Towards Multi-agent Reinforcement Learning for Wireless Network Protocol
Synthesis [2.6397379133308214]
本稿では,無線ネットワークのためのマルチエージェント強化学習に基づくメディアアクセスフレームワークを提案する。
アクセス問題はMarkov Decision Process (MDP) として定式化され、分散学習エージェントとして機能するネットワークノード毎に強化学習を用いて解決される。
論文 参考訳(メタデータ) (2021-02-02T17:13:37Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
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。