Fugu-MT 論文翻訳(概要): Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE 802.11ax Wi-Fi Systems

論文の概要: Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE 802.11ax Wi-Fi Systems

arxiv url: http://arxiv.org/abs/2304.01210v1
Date: Sat, 25 Mar 2023 04:39:59 GMT
ステータス: 処理完了
システム内更新日: 2023-04-09 05:34:36.301123
Title: Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE 802.11ax Wi-Fi Systems
Title（参考訳）: IEEE 802.11ax Wi-Fiシステムにおける高速ローミングのための分散マルチエージェント深層学習
Authors: Ting-Hui Wang, Li-Hsiang Shen, Kai-Ten Feng
Abstract要約: Wi-Fi 6 IEEE 802.11axは無線ローカルネットワーク(WLAN)の第6世代(6G)技術として承認された。本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。
参考スコア（独自算出の注目度）: 8.057006406834466
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The innovation of Wi-Fi 6, IEEE 802.11ax, was be approved as the next sixth-generation (6G) technology of wireless local area networks (WLANs) by improving the fundamental performance of latency, throughput, and so on. The main technical feature of orthogonal frequency division multiple access (OFDMA) supports multi-users to transmit respective data concurrently via the corresponding access points (APs). However, the conventional IEEE 802.11 protocol for Wi-Fi roaming selects the target AP only depending on received signal strength indication (RSSI) which is obtained by the received Response frame from the APs. In the long term, it may lead to congestion in a single channel under the scenarios of dense users further increasing the association delay and packet drop rate, even reducing the quality of service (QoS) of the overall system. In this paper, we propose a multi-agent deep Q-learning for fast roaming (MADAR) algorithm to effectively minimize the latency during the station roaming for Smart Warehouse in Wi-Fi 6 system. The MADAR algorithm considers not only RSSI but also channel state information (CSI), and through online neural network learning and weighting adjustments to maximize the reward of the action selected from Epsilon-Greedy. Compared to existing benchmark methods, the MADAR algorithm has been demonstrated for improved roaming latency by analyzing the simulation result and realistic dataset.
Abstract（参考訳）: Wi-Fi 6 IEEE 802.11ax の革新は、無線ローカルエリアネットワーク(WLAN)の次の6世代 (6G) 技術として、レイテンシ、スループットなどの基本的な性能を改善することで承認された。直交周波数分割多重アクセス(OFDMA)の主な技術的特徴は、複数のユーザが対応するアクセスポイント(AP)を介して各データを同時に送信できることである。しかし、従来のWi-Fiローミング用IEEE 802.11プロトコルは、受信した応答フレームから取得した受信信号強度表示(RSSI)に応じてターゲットAPを選択する。長期的には、密集したユーザのシナリオ下での単一チャネルの混雑により、関連遅延やパケットのドロップレートがさらに増加し、システム全体のサービス品質(QoS)が低下する可能性がある。本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。 MADARアルゴリズムはRSSIだけでなくチャネル状態情報(CSI)も考慮し、オンラインニューラルネットワーク学習と重み付け調整を通じてEpsilon-Greedyから選択したアクションの報酬を最大化する。従来のベンチマーク手法と比較して,MADARアルゴリズムはシミュレーション結果と現実的なデータセットを分析し,ローミング遅延を改善することが実証されている。

関連論文リスト

Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment [8.853779271331508]
オフロードプロセスを最適化する効果的な方法の1つは、送信時間を最小化することである。これはVehicular Adhoc Network(VANET)において特に当てはまり、車両はHD(High-Definition)マップデータを頻繁にダウンロードしてアップロードする。
論文参考訳（メタデータ） (2024-07-19T12:40:07Z)
Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。 LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
論文参考訳（メタデータ） (2022-09-13T10:39:41Z)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
INSPIRE: Distributed Bayesian Optimization for ImproviNg SPatIal REuse in Dense WLANs [0.10878040851637999]
IEEE 802.11axは、無線伝送における2つの重要なパラメータの動的更新を可能にすることで、無線チャネルの再利用を高めることを目的としている。本稿では,ベイズ過程に基づく局所最適化を行う分散ソリューションINSPIREを提案する。わずか数秒で、INSPIREは、その公平性とスループットを改善して、運用空間のサービス品質を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-03-30T14:48:26Z)
Federated Spatial Reuse Optimization in Next-Generation Decentralized IEEE 802.11 WLANs [14.954710245070343]
次世代無線ローカルエリアネットワーク(WLAN)における機械学習(ML)の適用可能性について検討する。具体的には,IEEE 802.11ax空間再利用問題に着目し,その性能をFLモデルを用いて予測する。この研究で概説されたFLソリューションのセットは、2021年のITU(International Telecommunication Union) AI for 5G Challengeの一部である。
論文参考訳（メタデータ） (2022-03-20T06:58:31Z)
IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
論文参考訳（メタデータ） (2022-02-03T03:34:06Z)
Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文参考訳（メタデータ） (2022-01-13T15:20:45Z)
ML-based Handover Prediction and AP Selection in Cognitive Wi-Fi Networks [9.96238107493626]
デバイスモビリティに関連する2つのよく知られた問題は、ハンドオーバ予測とアクセスポイント選択である。本稿では,これらの問題をネットワーク上で効率的に解くために,データ駆動機械学習(ML)方式を提案する。提案手法を評価した結果,従来の手法と比較した。
論文参考訳（メタデータ） (2021-11-27T12:28:09Z)
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)
Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文参考訳（メタデータ） (2020-10-18T20:22:05Z)
Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
論文参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。