Fugu-MT 論文翻訳(概要): Hierarchical Multi-Agent Multi-Armed Bandit for Resource Allocation in Multi-LEO Satellite Constellation Networks

論文の概要: Hierarchical Multi-Agent Multi-Armed Bandit for Resource Allocation in Multi-LEO Satellite Constellation Networks

arxiv url: http://arxiv.org/abs/2303.14351v1
Date: Sat, 25 Mar 2023 04:22:07 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 20:18:43.341437
Title: Hierarchical Multi-Agent Multi-Armed Bandit for Resource Allocation in Multi-LEO Satellite Constellation Networks
Title（参考訳）: マルチleo衛星コンステレーションネットワークにおける資源配分のための階層型マルチエージェントマルチアームドバンディット
Authors: Li-Hsiang Shen, Yun Ho, Kai-Ten Feng, Lie-Liang Yang, Sau-Hsuan Wu, Jen-Ming Wu
Abstract要約: ローアース軌道(LEO)衛星コンステレーションは、高度のサービスで地球規模のカバーエリアを提供することができる。我々は、利用可能な無線リソースを適切に割り当てることにより、LEOコンステレーション(mmRAL)の階層的マルチエージェントマルチアーム帯域割り当てを提案する。
参考スコア（独自算出の注目度）: 14.964082610286857
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low Earth orbit (LEO) satellite constellation is capable of providing global coverage area with high-rate services in the next sixth-generation (6G) non-terrestrial network (NTN). Due to limited onboard resources of operating power, beams, and channels, resilient and efficient resource management has become compellingly imperative under complex interference cases. However, different from conventional terrestrial base stations, LEO is deployed at considerable height and under high mobility, inducing substantially long delay and interference during transmission. As a result, acquiring the accurate channel state information between LEOs and ground users is challenging. Therefore, we construct a framework with a two-way transmission under unknown channel information and no data collected at long-delay ground gateway. In this paper, we propose hierarchical multi-agent multi-armed bandit resource allocation for LEO constellation (mmRAL) by appropriately assigning available radio resources. LEOs are considered as collaborative multiple macro-agents attempting unknown trials of various actions of micro-agents of respective resources, asymptotically achieving suitable allocation with only throughput information. In simulations, we evaluate mmRAL in various cases of LEO deployment, serving numbers of users and LEOs, hardware cost and outage probability. Benefited by efficient and resilient allocation, the proposed mmRAL system is capable of operating in homogeneous or heterogeneous orbital planes or constellations, achieving the highest throughput performance compared to the existing benchmarks in open literature.
Abstract（参考訳）: 低軌道 (LEO) 衛星コンステレーションは、次の6世代 (6G) の地球外ネットワーク (NTN) において、高速度のサービスを提供できる。運用電力、ビーム、チャネルの搭載資源が限られているため、複雑な干渉の場合、レジリエントで効率的な資源管理が魅力的である。しかし、従来の地上基地局と異なり、LEOは高い高度と高い移動度で展開され、送信中にかなり長い遅延と干渉を引き起こす。その結果、LEOと地上ユーザ間の正確なチャネル状態情報を取得することは困難である。したがって、未知のチャネル情報の下で双方向の伝送を行うフレームワークを構築し、長遅延のグラウンドゲートウェイで収集したデータがない。本稿では、利用可能な無線リソースを適切に割り当てることにより、LEOコンステレーション(mmRAL)の階層的マルチエージェントマルチアーム帯域割り当てを提案する。 LEOは、各リソースのマイクロエージェントの様々な動作の未知の試行を試みる複数のマクロエージェントであり、漸近的にスループット情報のみで適切な割り当てを達成する。シミュレーションでは,LEOデプロイメントの様々なケースにおいて,ユーザ数,LEO数,ハードウェアコスト,停止確率などを評価する。効率的でレジリエントな割り当てにより、提案されたmmralシステムは均質または不均質な軌道平面または星座で動作でき、公開文献の既存のベンチマークよりも高いスループット性能を達成することができる。

関連論文リスト

Demand-Aware Beam Hopping and Power Allocation for Load Balancing in Digital Twin empowered LEO Satellite Networks [6.8053434130447625]
ビームホッピング(BH)技術を利用した低地球軌道(LEO)衛星は、広範囲のカバレッジ、低レイテンシ、高帯域幅、大きな柔軟性を提供する。従来のビームホッピング(BH)法は、衛星干渉、重なり合うカバー、モビリティといった問題に対処できない。本稿では,複数のLEO衛星を対象としたDigital Twin(DT)を用いた協調資源割り当てネットワークについて検討する。
論文参考訳（メタデータ） (2024-10-29T01:32:11Z)
Tera-SpaceCom: GNN-based Deep Reinforcement Learning for Joint Resource Allocation and Task Offloading in TeraHertz Band Space Networks [11.881917133887102]
Tera-SpaceComは、様々な宇宙科学および通信アプリケーションを実現するための有望な技術として構想されている。グラフニューラルネットワーク(GNN)を用いた深層強化学習(DRL)に基づく共同資源割り当てとタスクオフロードアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-12T10:26:17Z)
WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
論文参考訳（メタデータ） (2024-05-06T02:55:50Z)
Collaborative Ground-Space Communications via Evolutionary Multi-objective Deep Reinforcement Learning [113.48727062141764]
地中直接通信を実現するために,分散コラボレーティブビームフォーミング(DCB)に基づくアップリンク通信パラダイムを提案する。 DCBは、低軌道(LEO)衛星と効率的な直接接続を確立することができない端末を分散アンテナとして扱う。本稿では,進化的多目的深層強化学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-04-11T03:13:02Z)
Privacy-Aware Spectrum Pricing and Power Control Optimization for LEO Satellite Internet-of-Things [14.706902417174039]
LEO IoTのためのハイブリッドスペクトル価格と電力制御フレームワークを提案する。まず、LEO衛星システムのための局所的な深層強化学習アルゴリズムを設計し、収益最大化価格と電力制御方式を学習する。また、FLのグローバルモデル集約フェーズで使用される評判に基づくブロックチェーンを提案する。
論文参考訳（メタデータ） (2024-04-01T09:15:48Z)
Cooperative Multi-Type Multi-Agent Deep Reinforcement Learning for Resource Management in Space-Air-Ground Integrated Networks [10.351443157142295]
我々は,5つの異なる通信リンクを含む総合的なSAGINシステムを開発した。本稿では,資源管理問題に対処するため,効率的な協調型マルチエージェント深層強化学習法を提案する。
論文参考訳（メタデータ） (2023-08-08T02:15:06Z)
Edge Selection and Clustering for Federated Learning in Optical Inter-LEO Satellite Constellation [12.489681058742358]
我々は、低軌道(FELLO)のための協調的連合学習を提案している。我々は、低遅延地上ゲートウェイサーバ(GS)が初期信号制御のみを行うのに対し、低ペイロードの衛星間伝送でLEOに全処理を割り当てる。提案したFELLOは、従来の集中型および分散型アーキテクチャよりも高い分類精度と、共同通信と計算のレイテンシを両立させる。
論文参考訳（メタデータ） (2023-03-25T04:24:16Z)
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)
Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
論文参考訳（メタデータ） (2021-12-03T07:44:45Z)
Locality Matters: A Scalable Value Decomposition Approach for Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
論文参考訳（メタデータ） (2021-09-22T10:08:15Z)
Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文参考訳（メタデータ） (2020-05-26T05:39:27Z)

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。