論文の概要: SplitBeam: Effective and Efficient Beamforming in Wi-Fi Networks Through
Split Computing
- arxiv url: http://arxiv.org/abs/2310.08656v1
- Date: Thu, 12 Oct 2023 18:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 15:52:04.004663
- Title: SplitBeam: Effective and Efficient Beamforming in Wi-Fi Networks Through
Split Computing
- Title(参考訳): SplitBeam: スプリットコンピューティングによるWi-Fiネットワークにおける効率的なビームフォーミング
- Authors: Niloofar Bahadori and Yoshitomo Matsubara and Marco Levorato and
Francesco Restuccia
- Abstract要約: SplitBeamは、分割ディープニューラルネットワーク(DNN)をトレーニングして、ビームフォーミングマトリックスを直接入力として出力する、新しいフレームワークである。
我々は,アプリケーション要件以下で計算,空調オーバーヘッド,ビット誤り率(BER)を維持するために,ボトルネック最適化問題(BOP)を定式化し,解決する。
実験の結果, SplitBeamは, BERを約10~3のアプローチで維持しながら, ビームフォーミングフィードバックサイズと計算複雑性を最大81%, 84%削減できることがわかった。
- 参考スコア(独自算出の注目度): 12.574388457311809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern IEEE 802.11 (Wi-Fi) networks extensively rely on multiple-input
multiple-output (MIMO) to significantly improve throughput. To correctly
beamform MIMO transmissions, the access point needs to frequently acquire a
beamforming matrix (BM) from each connected station. However, the size of the
matrix grows with the number of antennas and subcarriers, resulting in an
increasing amount of airtime overhead and computational load at the station.
Conventional approaches come with either excessive computational load or loss
of beamforming precision. For this reason, we propose SplitBeam, a new
framework where we train a split deep neural network (DNN) to directly output
the BM given the channel state information (CSI) matrix as input. We formulate
and solve a bottleneck optimization problem (BOP) to keep computation, airtime
overhead, and bit error rate (BER) below application requirements. We perform
extensive experimental CSI collection with off-the-shelf Wi-Fi devices in two
distinct environments and compare the performance of SplitBeam with the
standard IEEE 802.11 algorithm for BM feedback and the state-of-the-art
DNN-based approach LB-SciFi. Our experimental results show that SplitBeam
reduces the beamforming feedback size and computational complexity by
respectively up to 81% and 84% while maintaining BER within about 10^-3 of
existing approaches. We also implement the SplitBeam DNNs on FPGA hardware to
estimate the end-to-end BM reporting delay, and show that the latter is less
than 10 milliseconds in the most complex scenario, which is the target channel
sounding frequency in realistic multi-user MIMO scenarios.
- Abstract(参考訳): 現代のieee 802.11 (wi-fi) ネットワークはスループットを大幅に改善するために多入力多重出力 (mimo) に依存している。
mimo伝送を正しくビームするには、アクセスポイントは各接続局からビームフォーミングマトリックス(bm)を頻繁に取得する必要がある。
しかし、アンテナやサブキャリアの数によってマトリックスのサイズが大きくなると、ステーションでのエアタイムのオーバーヘッドと計算負荷が増加する。
従来のアプローチでは、過剰な計算負荷やビームフォーミング精度の損失が伴う。
そこで我々は,チャネル状態情報(CSI)行列を入力としてBMを直接出力するために,分割深層ニューラルネットワーク(DNN)をトレーニングする新しいフレームワークであるSplitBeamを提案する。
我々は,アプリケーション要件以下で計算,空調オーバーヘッド,ビット誤り率(BER)を維持するために,ボトルネック最適化問題(BOP)を定式化し,解決する。
既製のWi-Fiデバイスを2つの異なる環境で使用し, BMフィードバックのための標準IEEE 802.11アルゴリズムと最先端DNNベースのLB-SciFiとの比較を行った。
実験の結果, SplitBeam は BER を 10^-3 に抑えながら, ビームフォーミングフィードバックサイズと計算複雑性を 81% と 84% に削減できることがわかった。
また、FPGAハードウェア上でSplitBeam DNNを実装し、エンドツーエンドのBMレポート遅延を推定し、後者が最も複雑なシナリオでは10ミリ秒未満であることを示す。
関連論文リスト
- Learning Optimal Linear Precoding for Cell-Free Massive MIMO with GNN [15.271970287767164]
実用的なシステムで要求される1~2ミリ秒の時間予算で計算できるグラフニューラルネットワーク(GNN)を開発した。
本稿では,AP と UE の数が異なる様々なシナリオにおいて,ほぼ最適なスペクトル効率を実現することを示す。
論文 参考訳(メタデータ) (2024-06-06T19:29:33Z) - MIMONets: Multiple-Input-Multiple-Output Neural Networks Exploiting
Computation in Superposition [0.0]
本稿では,複数の入力を同時に処理できるマルチインプット・マルチプル・アウトプットニューラルネットワーク(MIMONets)を提案する。
MIMONetsは非線形ニューラルトランスフォーメーションを適用してデータ構造を均等に処理し、重畳された入力項目の数にほぼ比例するスピードアップをもたらす。
論文 参考訳(メタデータ) (2023-12-05T15:25:45Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳(メタデータ) (2023-10-04T03:32:39Z) - Training Deep Boltzmann Networks with Sparse Ising Machines [5.048818298702389]
深層生成AIモデルをトレーニングすることにより,確率ビット(pビット)ベースのIsingマシンのための新しいアプリケーションドメインを示す。
スパース、非同期、および非常に並列なIsingマシンを使用して、ハイブリッド確率-古典計算設定でディープボルツマンネットワークを訓練する。
論文 参考訳(メタデータ) (2023-03-19T18:10:15Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳(メタデータ) (2022-10-07T15:39:11Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳(メタデータ) (2021-10-22T20:49:02Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳(メタデータ) (2021-08-03T14:26:14Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳(メタデータ) (2021-03-08T03:09:37Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-11-08T12:48:06Z) - mpNet: variable depth unfolded neural network for massive MIMO channel
estimation [0.0]
データレートとエネルギー効率の両面で、MIMO(Multiple-input multiple-output)通信システムは大きな可能性を秘めている。
物理モデルを使用することで、伝播の物理に基づいて事前情報を注入することで、問題を緩和することができる。
しかし、そのようなモデルは仮定の単純化に頼っており、実際には非現実的なシステムの構成を正確に知る必要がある。
論文 参考訳(メタデータ) (2020-08-07T12:23:44Z)
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。