論文の概要: Handover Protocol Learning for LEO Satellite Networks: Access Delay and Collision Minimization

• arxiv url: http://arxiv.org/abs/2310.20215v1
• Date: Tue, 31 Oct 2023 06:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 16:24:56.770436
• Title: Handover Protocol Learning for LEO Satellite Networks: Access Delay and Collision Minimization
• Title（参考訳）: LEO衛星ネットワークのためのハンドオーバプロトコル学習:アクセス遅延と衝突最小化
• Authors: Ju-Hyung Lee and Chanyoung Park and Soohyun Park and Andreas F. Molisch
• Abstract要約: 本研究は、低地球軌道(LEO)衛星ネットワークのハンドオーバ手順における長期伝搬遅延の永続的課題に対処するために、DHOと呼ばれる新しい強化学習ベースのハンドオーバプロトコルを提案する。 DHOは、予め決定されたLEO衛星軌道パターンでトレーニングした後、予測能力を活用することで、HO手順で計測レポート(MR)をスキップする。 提案したDHOは,アクセス遅延,衝突速度,ハンドオーバ成功率の観点から,従来のHOプロトコルよりも優れた性能を示し,現実のネットワークにおけるDHOの実用性を示す。
• 参考スコア（独自算出の注目度）: 42.497051692481485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a novel deep reinforcement learning (DRL)-based handover (HO) protocol, called DHO, specifically designed to address the persistent challenge of long propagation delays in low-Earth orbit (LEO) satellite networks' HO procedures. DHO skips the Measurement Report (MR) in the HO procedure by leveraging its predictive capabilities after being trained with a pre-determined LEO satellite orbital pattern. This simplification eliminates the propagation delay incurred during the MR phase, while still providing effective HO decisions. The proposed DHO outperforms the legacy HO protocol across diverse network conditions in terms of access delay, collision rate, and handover success rate, demonstrating the practical applicability of DHO in real-world networks. Furthermore, the study examines the trade-off between access delay and collision rate and also evaluates the training performance and convergence of DHO using various DRL algorithms.
• Abstract（参考訳）: 本研究は、低地球軌道(LEO)衛星ネットワークのHO手順における長期伝搬遅延の永続的課題に対処するために、DRL(Deep reinforcement learning)に基づく新しいハンドオーバプロトコルであるDHOを提案する。 DHOは、予め決定されたLEO衛星軌道パターンでトレーニングした後、予測能力を活用することで、HO手順で計測レポート(MR)をスキップする。 この単純化はmrフェーズ中に発生する伝播遅延を取り除き、効果的なho決定を提供する。 提案したDHOは,アクセス遅延,衝突速度,ハンドオーバ成功率の観点から,従来のHOプロトコルよりも優れた性能を示し,現実のネットワークにおけるDHOの実用性を示す。 さらに,アクセス遅延と衝突速度のトレードオフについて検討し,様々なDRLアルゴリズムを用いてDHOの訓練性能と収束性を評価する。

関連論文リスト

• Online Pseudo-Zeroth-Order Training of Neuromorphic Spiking Neural Networks [69.2642802272367]
  スパイクニューラルネットワーク(SNN)を用いた脳誘発ニューロモルフィックコンピューティングは、有望なエネルギー効率の計算手法である。 最近の手法では、空間的および時間的バックプロパゲーション(BP)を利用しており、ニューロモルフィックの性質に固執していない。 オンライン擬似ゼロオーダートレーニング(OPZO)を提案する。
  論文  参考訳（メタデータ） (2024-07-17T12:09:00Z)
• Variational Delayed Policy Optimization [25.668512485348952]
  遅延観測環境においては、遅延ウィンドウ内での動作を含む状態拡張を採用してマルコフ特性を検索し、強化学習(RL)を可能にする。 時間差学習フレームワークを用いたSOTA(State-of-the-art)RL技術は、遅延を伴う拡張状態空間の大幅な拡張により、学習の非効率性に悩まされることが多い。 本稿では、遅延RLを変分推論問題として再構成する、変分遅延ポリシー最適化(VDPO)と呼ばれる新しいフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-05-23T06:57:04Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• Multi-Agent Deep Reinforcement Learning for Distributed Satellite Routing [7.793857269225969]
  本稿では、低軌道衛星コンステレーション(LSatC)におけるルーティングのためのマルチエージェント深部強化学習(MA-DRL)手法を提案する。 その結果,MA-DRLはオフラインで最適な経路を効率よく学習し,効率の良い分散ルーティングのためにロードすることがわかった。
  論文  参考訳（メタデータ） (2024-02-27T16:36:53Z)
• Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
  無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。 DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。 DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
  論文  参考訳（メタデータ） (2022-11-03T09:08:30Z)
• Federated learning for LEO constellations via inter-HAP links [0.0]
  ローアース・オービット(LEO)衛星星座は近年、急速に展開している。 このような応用に機械学習(ML)を適用するには、画像などの衛星データを地上局(GS)にダウンロードする従来の方法は望ましいものではない。 既存のFLソリューションは、過剰収束遅延や信頼できない無線チャネルといった大きな課題のために、そのようなLEOコンステレーションのシナリオには適さないことを示す。
  論文  参考訳（メタデータ） (2022-05-15T08:22:52Z)
• 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)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• State and Topology Estimation for Unobservable Distribution Systems using Deep Neural Networks [8.673621107750652]
  リアルタイムオブザーバビリティが制限されているため,再構成可能な分散ネットワークの時間同期状態推定は困難である。 本論文では,深層学習(DL)に基づくトポロジー同定(TI)と不均衡な3相分布系状態推定(DSSE)の手法を定式化する。 2つのディープニューラルネットワーク(DNN)は、同期失調症測定装置(SMD)によって不完全に観察されるシステムに対して、TIおよびDSSEを実装するために順次動作するように訓練されます。
  論文  参考訳（メタデータ） (2021-04-15T02:46:50Z)

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。