論文の概要: Digital Twin-Native AI-Driven Service Architecture for Industrial Networks

• arxiv url: http://arxiv.org/abs/2311.14532v1
• Date: Fri, 24 Nov 2023 14:56:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 14:46:44.513899
• Title: Digital Twin-Native AI-Driven Service Architecture for Industrial Networks
• Title（参考訳）: 産業ネットワークのためのデジタルツイン負AI駆動サービスアーキテクチャ
• Authors: Kubra Duran, Matthew Broadbent, Gokhan Yurdakul, and Berk Canberk
• Abstract要約: 我々は、IoTネットワークの概念をサポートするDTネイティブなAI駆動サービスアーキテクチャを提案する。 提案するDTネイティブアーキテクチャでは,TCPベースのデータフローパイプラインと強化学習(RL)ベースの学習モデルを実装している。
• 参考スコア（独自算出の注目度）: 2.2924151077053407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The dramatic increase in the connectivity demand results in an excessive amount of Internet of Things (IoT) sensors. To meet the management needs of these large-scale networks, such as accurate monitoring and learning capabilities, Digital Twin (DT) is the key enabler. However, current attempts regarding DT implementations remain insufficient due to the perpetual connectivity requirements of IoT networks. Furthermore, the sensor data streaming in IoT networks cause higher processing time than traditional methods. In addition to these, the current intelligent mechanisms cannot perform well due to the spatiotemporal changes in the implemented IoT network scenario. To handle these challenges, we propose a DT-native AI-driven service architecture in support of the concept of IoT networks. Within the proposed DT-native architecture, we implement a TCP-based data flow pipeline and a Reinforcement Learning (RL)-based learner model. We apply the proposed architecture to one of the broad concepts of IoT networks, the Internet of Vehicles (IoV). We measure the efficiency of our proposed architecture and note ~30% processing time-saving thanks to the TCP-based data flow pipeline. Moreover, we test the performance of the learner model by applying several learning rate combinations for actor and critic networks and highlight the most successive model.
• Abstract（参考訳）: 接続需要の劇的な増加は、IoT(Internet of Things)センサーの過剰な増加につながる。 正確なモニタリングや学習機能など、これらの大規模ネットワークの管理ニーズを満たすため、Digital Twin(DT)が鍵となる。 しかし、IoTネットワークの永続的な接続要件のため、DT実装に関する現在の試みは不十分である。 さらに、IoTネットワーク内のセンサデータストリーミングは、従来の方法よりも処理時間が長い。 これらに加えて、現在のインテリジェントメカニズムは、実装されたIoTネットワークシナリオの時空間的変化のため、うまく機能しない。 これらの課題に対処するために、IoTネットワークの概念をサポートするDTネイティブなAI駆動サービスアーキテクチャを提案する。 提案するDTネイティブアーキテクチャでは,TCPベースのデータフローパイプラインと強化学習(RL)ベースの学習モデルを実装している。 提案アーキテクチャをIoTネットワークの広範な概念のひとつであるInternet of Vehicles(IoV)に適用する。 提案したアーキテクチャの効率を計測し、TCPベースのデータフローパイプラインのおかげで30%の処理時間を省くことに留意する。 さらに,俳優と批評家のネットワークに複数の学習率の組み合わせを適用して学習者モデルの性能をテストし,最も連続したモデルを強調する。

関連論文リスト

• A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
  本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。 われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
  論文  参考訳（メタデータ） (2024-06-18T08:42:51Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Give and Take: Federated Transfer Learning for Industrial IoT Network Intrusion Detection [3.7498611358320733]
  IIoTネットワーク侵入検出のためのフェデレートトランスファーラーニング(FTL)手法を提案する。 本研究の一環として,FTLの実行の中心となる組み合わせ型ニューラルネットワークを提案する。 結果は、IIoTクライアントとサーバの両方のイテレーション間のFTLセットアップのパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-10-11T10:11:54Z)
• Multi-Tier Hierarchical Federated Learning-assisted NTN for Intelligent IoT Services [24.10349383347469]
  本研究では,分散型協調学習環境の育成におけるMT-HFLの役割について考察する。 これにより、IoTデバイスがコントリビューションだけでなく、ネットワーク管理において情報的な決定を行うことが可能になる。 このセットアップにより、効率的なデータ処理、高度なプライバシとセキュリティ対策、および変動するネットワーク条件への応答が保証される。
  論文  参考訳（メタデータ） (2023-05-09T14:03:22Z)
• Digital Twin Virtualization with Machine Learning for IoT and Beyond 5G Networks: Research Directions for Security and Optimal Control [3.1798318618973362]
  デジタルツイン(DT)技術は、サイバー物理システムのリアルタイムデータ駆動モデリングのソリューションとして登場した。 我々は,クラウドコンピューティングを分散化して実装したDTフレームワークの概念階層アーキテクチャを構築した。 既存のシステム上での革新的な技術の開発と展開のリスクを下げることにおけるDTの重要性について論じる。
  論文  参考訳（メタデータ） (2022-04-05T03:04:02Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Semi-supervised Variational Temporal Convolutional Network for IoT Communication Multi-anomaly Detection [3.3659034873495632]
  モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。 これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。 本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
  論文  参考訳（メタデータ） (2021-04-05T08:51:24Z)
• Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
  IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。 部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。 深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
  論文  参考訳（メタデータ） (2020-12-31T11:19:51Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• 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)

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。