Fugu-MT 論文翻訳(概要): AI/ML-based Load Prediction in IEEE 802.11 Enterprise Networks

論文の概要: AI/ML-based Load Prediction in IEEE 802.11 Enterprise Networks

arxiv url: http://arxiv.org/abs/2310.07467v1
Date: Wed, 11 Oct 2023 13:12:01 GMT
ステータス: 処理完了
システム内更新日: 2023-10-13 07:24:27.123806
Title: AI/ML-based Load Prediction in IEEE 802.11 Enterprise Networks
Title（参考訳）: IEEE 802.11エンタープライズネットワークにおけるAI/MLベースの負荷予測
Authors: Francesc Wilhelmi, Dariush Salami, Gianluca Fontanesi, Lorenzo Galati-Giordano, Mika Kasslin
Abstract要約: 本稿では,企業Wi-FiネットワークにおけるAI/MLベースの負荷予測の適合性と実現可能性について検討する。その結果,ハードウェアに制約のあるAI/MLモデルでは,平均誤差が20%未満でネットワーク負荷を予測できる可能性が示唆された。
参考スコア（独自算出の注目度）: 1.2057886807886689
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Enterprise Wi-Fi networks can greatly benefit from Artificial Intelligence and Machine Learning (AI/ML) thanks to their well-developed management and operation capabilities. At the same time, AI/ML-based traffic/load prediction is one of the most appealing data-driven solutions to improve the Wi-Fi experience, either through the enablement of autonomous operation or by boosting troubleshooting with forecasted network utilization. In this paper, we study the suitability and feasibility of adopting AI/ML-based load prediction in practical enterprise Wi-Fi networks. While leveraging AI/ML solutions can potentially contribute to optimizing Wi-Fi networks in terms of energy efficiency, performance, and reliability, their effective adoption is constrained to aspects like data availability and quality, computational capabilities, and energy consumption. Our results show that hardware-constrained AI/ML models can potentially predict network load with less than 20% average error and 3% 85th-percentile error, which constitutes a suitable input for proactively driving Wi-Fi network optimization.
Abstract（参考訳）: エンタープライズWi-Fiネットワークは、人工知能と機械学習(AI/ML)の利点を大いに享受することができる。同時に、AI/MLベースのトラフィック/負荷予測は、自律的な操作の実現または予測されたネットワーク利用によるトラブルシューティングの促進を通じて、Wi-Fiエクスペリエンスを改善する最も魅力的なデータ駆動ソリューションの1つである。本稿では,実践的な企業Wi-FiネットワークにおけるAI/MLベースの負荷予測の適用可能性について検討する。 AI/MLソリューションを活用することで、エネルギー効率、パフォーマンス、信頼性の観点からWi-Fiネットワークの最適化に寄与する可能性があるが、彼らの効果的な採用は、データの可用性や品質、計算能力、エネルギー消費といった側面に制約される。この結果から,ハードウェア制約付きAI/MLモデルでは,平均誤差が20%未満でネットワーク負荷を予測できる可能性が示唆された。

関連論文リスト

Machine Learning & Wi-Fi: Unveiling the Path Towards AI/ML-Native IEEE 802.11 Networks [1.5999407512883512]
本稿では,現在のWi-FiネットワークにおけるAI/MLの役割について論じる。主な課題、標準化の取り組み、主要なイネーブラーについても論じられている。異なる採用段階において、Wi-FiにおけるAI/MLの可能性を示すための模範的なユースケースが提供される。
論文参考訳（メタデータ） (2024-05-19T10:12:20Z)
Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文参考訳（メタデータ） (2023-08-03T02:49:50Z)
Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文参考訳（メタデータ） (2023-07-14T04:13:11Z)
Personalized Resource Allocation in Wireless Networks: An AI-Enabled and Big Data-Driven Multi-Objective Optimization [22.77447144331876]
AI(Artificial Intelligence)は、無線ネットワークの設計と最適化に使用される。 AIの将来の主な応用の1つは、多くのユースケースに対してユーザーレベルのパーソナライズを可能にすることである。本稿で提唱されるパーソナライズ技術は,ネットワークリソースの不足をマイクロマネジメントするために設計された,インテリジェントなビッグデータ駆動層によって支えられている。
論文参考訳（メタデータ） (2023-07-08T00:26:36Z)
Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-01-09T09:30:23Z)
AI in 6G: Energy-Efficient Distributed Machine Learning for Multilayer Heterogeneous Networks [7.318997639507269]
本稿では,ネットワーク層とエンティティにまたがるさまざまな機械学習手法に関連するタスクを分散する,階層ベースの新しいHetNetアーキテクチャを提案する。このようなHetNetは、複数のアクセス方式と、エネルギー効率を高めるためのデバイス間通信(D2D)を備えている。
論文参考訳（メタデータ） (2022-06-04T22:03:19Z)
AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。 MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
論文参考訳（メタデータ） (2022-03-31T09:31:53Z)
Machine Learning for Performance Prediction of Channel Bonding in Next-Generation IEEE 802.11 WLANs [1.0486135378491268]
我々はPompeu Fabra大学(UPF)が主催する問題ステートメント13(PS-013)の結果を提示する。第一の目標は、チャネルボンディング(CB)技術を適用した次世代無線地域ネットワーク(WLAN)の性能予測であった。
論文参考訳（メタデータ） (2021-05-29T05:33:07Z)
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)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)
Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。 AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。 AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
論文参考訳（メタデータ） (2020-01-28T15:10:22Z)

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。