論文の概要: DEEP-IoT: Downlink-Enhanced Efficient-Power Internet of Things
- arxiv url: http://arxiv.org/abs/2403.00321v1
- Date: Fri, 1 Mar 2024 06:48:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 17:53:24.392123
- Title: DEEP-IoT: Downlink-Enhanced Efficient-Power Internet of Things
- Title(参考訳): DEEP-IoT: ダウンリンク強化された効率的なモノのインターネット
- Authors: Yulin Shao
- Abstract要約: 本稿では,IoTデバイスの通信方法を再定義するための,革新的な通信パラダイムであるDEEP-IoTを提案する。
DEEP-IoTは、先駆的な"より多く、より少ない送信"戦略を通じて、従来の送信機(IoTデバイス)中心の通信モデルに挑戦し、変革する。
我々はDEEP-IoTを概念化するとともに,学習の強化したフィードバックチャネルコードを狭帯域システムに組み込むことで実現している。
- 参考スコア(独自算出の注目度): 10.696740170777366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At the heart of the Internet of Things (IoT) -- a domain witnessing explosive
growth -- the imperative for energy efficiency and the extension of device
lifespans has never been more pressing. This paper presents DEEP-IoT, a
revolutionary communication paradigm poised to redefine how IoT devices
communicate. Through a pioneering "listen more, transmit less" strategy,
DEEP-IoT challenges and transforms the traditional transmitter (IoT
devices)-centric communication model to one where the receiver (the access
point) play a pivotal role, thereby cutting down energy use and boosting device
longevity. We not only conceptualize DEEP-IoT but also actualize it by
integrating deep learning-enhanced feedback channel codes within a narrow-band
system. Simulation results show a significant enhancement in the operational
lifespan of IoT cells -- surpassing traditional systems using Turbo and Polar
codes by up to 52.71%. This leap signifies a paradigm shift in IoT
communications, setting the stage for a future where IoT devices boast
unprecedented efficiency and durability.
- Abstract(参考訳): 爆発的な成長を目の当たりにしているiot(internet of things, モノのインターネット)の心臓部では、エネルギー効率とデバイスの寿命の延長が求められている。
本稿では,IoTデバイスの通信方法を再定義するための,革新的な通信パラダイムであるDEEP-IoTを提案する。
DEEP-IoTは、先駆的な"より多く、より少ない送信"戦略を通じて、従来の送信機(IoTデバイス)中心の通信モデルに挑戦し、レシーバ(アクセスポイント)が中心的な役割を果たすものに変換することで、エネルギー使用を削減し、デバイス長寿を向上する。
私たちはDEEP-IoTを概念化するだけでなく、学習の強化したフィードバックチャネルコードを狭帯域システムに統合することで実現します。
シミュレーションの結果、IoTセルの運用寿命は、TurboおよびPolarコードを使用した従来のシステムよりも52.71%も大きく向上している。
この飛躍は、IoT通信におけるパラダイムシフトを意味し、IoTデバイスが前例のない効率性と耐久性を誇示する未来へのステージを設定している。
関連論文リスト
- Device Scheduling and Assignment in Hierarchical Federated Learning for
Internet of Things [20.09415156099031]
本稿では,デバイススケジューリングのための改良K-Centerアルゴリズムを提案し,IoTデバイスをエッジサーバに割り当てるための深層強化学習に基づくアプローチを提案する。
実験によると、IoTデバイスの50%のスケジューリングは一般的に、時間遅延とエネルギー消費を大幅に低減したHFLの収束を達成するのに十分である。
論文 参考訳(メタデータ) (2024-02-04T14:42:13Z) - MultiIoT: Towards Large-scale Multisensory Learning for the Internet of
Things [77.27980044639136]
IoT(Internet of Things)エコシステムは、マシンラーニングのための現実世界のモダリティの豊富なソースを提供する。
本稿では,12のモダリティと8タスクから115万以上のサンプルを対象とする,これまでで最も拡張性の高いIoTベンチマークであるMultiIoTを提案する。
論文 参考訳(メタデータ) (2023-11-10T18:13:08Z) - IoTFlowGenerator: Crafting Synthetic IoT Device Traffic Flows for Cyber
Deception [31.822346303953164]
ハニーポットは攻撃者の意図を理解し、攻撃者を騙して時間とリソースを消費する重要なセキュリティツールである。
より良いハニーポットを構築し、サイバー詐欺能力を高めるためには、IoTハニーポットは現実的なネットワークトラフィックフローを生成する必要がある。
本稿では,ユーザとIoTデバイスのインタラクションによって,実際のネットワークトラフィックを模倣するトラフィックフローを生成するための,新たなディープラーニングベースのアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-01T16:24:07Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳(メタデータ) (2022-12-21T03:37:38Z) - Revisiting the Internet of Things: New Trends, Opportunities and Grand
Challenges [16.938280428208685]
IoT(Internet of Things)は、センサーとアクチュエータを物理的オブジェクトに埋め込んで、データ通信とデータ交換を可能にする。
デプロイされたIoTデバイスの数は過去5年間で急速に増加しており、IoTが近年で最も破壊的な技術になっている。
この論文は、AIがIoTを人類の歴史の中でこれまで開発されてきた最高の変革技術にする役割を強調している。
論文 参考訳(メタデータ) (2022-11-14T16:43:02Z) - Technical Report-IoT Devices Proximity Authentication In Ad Hoc Network
Environment [0.0]
Internet of Things(IoT)は、物理的デバイスがデータを接続し交換することを可能にする分散通信技術システムである。
IoTデバイスへの認証は、攻撃者によるネガティブな影響を防ぐための第一歩であるため、不可欠である。
本稿では、IoTデバイス環境にあるものに基づいて、IoTデバイス認証方式を実装した。
論文 参考訳(メタデータ) (2022-10-01T03:07:42Z) - A Practical AoI Scheduler in IoT Networks with Relays [8.361681706210206]
従来の2ホップリレーIoTネットワーク用のAoIスケジューラに関する文献は限られている。
ディープ強化学習(DRL)アルゴリズムは、リレー付き2ホップIoTネットワークにおけるAoIスケジューリングのために研究されている。
本稿では,リレー付き2ホップIoTネットワークのための実用的なAoIスケジューラを提案する。
論文 参考訳(メタデータ) (2022-03-08T17:47:02Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳(メタデータ) (2021-10-04T19:41:42Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-05T23:55:44Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳(メタデータ) (2020-12-22T02:54:18Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-03T20:00:02Z)
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。