論文の概要: Resource and Mobility Management in Hybrid LiFi and WiFi Networks: A User-Centric Learning Approach

• arxiv url: http://arxiv.org/abs/2403.16823v1
• Date: Mon, 25 Mar 2024 14:48:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 20:54:11.396050
• Title: Resource and Mobility Management in Hybrid LiFi and WiFi Networks: A User-Centric Learning Approach
• Title（参考訳）: ハイブリッドLiFiおよびWiFiネットワークにおける資源・モビリティ管理 : ユーザ中心学習アプローチ
• Authors: Han Ji, Xiping Wu,
• Abstract要約: ハイブリッド光ファイバー(LiFi)と無線通信ネットワーク(HLWNet)は、新興の屋内無線通信パラダイムである。 既存のロードバランシング(LB)メソッドは、主にネットワーク中心であり、ユーザー全員にソリューションを提供するために中央ユニットに依存している。 そこで本研究では,ユーザが異なるペースでソリューションを更新できるユーザ中心のLBについて検討する。
• 参考スコア（独自算出の注目度）: 10.262324160476586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid light fidelity (LiFi) and wireless fidelity (WiFi) networks (HLWNets) are an emerging indoor wireless communication paradigm, which combines the advantages of the capacious optical spectra of LiFi and ubiquitous coverage of WiFi. Meanwhile, load balancing (LB) becomes a key challenge in resource management for such hybrid networks. The existing LB methods are mostly network-centric, relying on a central unit to make a solution for the users all at once. Consequently, the solution needs to be updated for all users at the same pace, regardless of their moving status. This would affect the network performance in two aspects: i) when the update frequency is low, it would compromise the connectivity of fast-moving users; ii) when the update frequency is high, it would cause unnecessary handovers as well as hefty feedback costs for slow-moving users. Motivated by this, we investigate user-centric LB which allows users to update their solutions at different paces. The research is developed upon our previous work on adaptive target-condition neural network (ATCNN), which can conduct LB for individual users in quasi-static channels. In this paper, a deep neural network (DNN) model is designed to enable an adaptive update interval for each individual user. This new model is termed as mobility-supporting neural network (MSNN). Associating MSNN with ATCNN, a user-centric LB framework named mobility-supporting ATCNN (MS-ATCNN) is proposed to handle resource management and mobility management simultaneously. Results show that at the same level of average update interval, MS-ATCNN can achieve a network throughput up to 215\% higher than conventional LB methods such as game theory, especially for a larger number of users. In addition, MS-ATCNN costs an ultra low runtime at the level of 100s $\mu$s, which is two to three orders of magnitude lower than game theory.
• Abstract（参考訳）: LiFi(Hybrid Lightfidelity)とWiFi(Wi-Fifidelity)ネットワーク(HLWNets)は、LiFiの可視光スペクトルとWi-Fiのユビキタス通信の利点を組み合わせた、新興の屋内無線通信パラダイムである。 一方、ロードバランシング(LB)は、そのようなハイブリッドネットワークのリソース管理において重要な課題となっている。 既存のLBメソッドは、主にネットワーク中心であり、ユーザー全員にソリューションを作るために中央のユニットに依存している。 結果として、ソリューションは、移行状況に関わらず、すべてのユーザに対して、同じペースで更新される必要があります。 これは2つの面でネットワーク性能に影響する。 一 更新頻度が低いときは、急速移動利用者の接続を損なうこと。 二 更新頻度が高いときは、不要なハンドオーバを発生させ、かつ、スロームーブなユーザーにとって重いフィードバックコストを発生させる。 そこで本研究では,ユーザが異なるペースでソリューションを更新できるユーザ中心のLBについて検討する。 本研究は、準静電チャネルで個人ユーザに対してLBを実行できる適応的ターゲット条件ニューラルネットワーク(ATCNN)に関するこれまでの研究に基づいて開発された。 本稿では,個々のユーザに対して適応的な更新間隔を実現するために,ディープニューラルネットワーク(DNN)モデルを設計する。 この新モデルは、モビリティ支援ニューラルネットワーク(MSNN)と呼ばれる。 資源管理と移動管理を同時に行うため,MSNN とATCNN を連携させるため,MSNN をモビリティ支援 ATCNN (MS-ATCNN) という,ユーザ中心の LB フレームワークを提案する。 その結果,MS-ATCNNは平均更新間隔の同じレベルで,ゲーム理論などの従来のLB手法よりも最大215\%高いスループットを達成できることがわかった。 さらに、MS-ATCNNは100s$\mu$sの超低ランタイムを消費し、ゲーム理論よりも2～3桁低い。

関連論文リスト

• Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks [13.178956651532213]
  本稿では,MP TCP 対応 HetNet の LB 問題に対処するグラフニューラルネットワーク (GNN) モデルを提案する。 従来のディープニューラルネットワーク(DNN)と比較して、提案したGNNベースのモデルには2つの重要な長所がある。
  論文  参考訳（メタデータ） (2024-10-22T15:49:53Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
  エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。 既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。 浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
  論文  参考訳（メタデータ） (2024-01-09T07:31:34Z)
• Graph Neural Networks-Based User Pairing in Wireless Communication Systems [0.34410212782758043]
  ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。 提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
  論文  参考訳（メタデータ） (2023-05-14T11:57:42Z)
• Multi-Carrier NOMA-Empowered Wireless Federated Learning with Optimal Power and Bandwidth Allocation [31.80744279032665]
  無線連合学習(WFL)は、アップリンクにおけるボトルネック通信を行い、各グローバルアグリゲーションラウンドでローカルモデルをアップロードできるユーザ数を制限する。 本稿では,マルチキャリア非直交多重アクセス (MC-NOMA) WFL を提案する。 畳み込みニューラルネットワークと18層住宅ネットワークを併用することにより、提案したMC-NOMA WFLは通信を効率よく削減し、局所モデルトレーニング時間を延長し、既存の代替品と比較して40%以上の収束を加速することができる。
  論文  参考訳（メタデータ） (2023-02-13T22:41:14Z)
• Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for Hybrid LiFi and WiFi Networks [19.483289519348315]
  機械学習は、複雑性に優しいロードバランシングソリューションを提供する可能性がある。 学習支援のSOTA(State-of-the-art)は,ネットワーク環境が変化すると再学習を必要とする。 適応目標条件ニューラルネットワーク(A-TCNN)と呼ばれる新しいディープニューラルネットワーク(DNN)構造を提案する。
  論文  参考訳（メタデータ） (2022-08-09T20:46:13Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover [0.0]
  5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。 小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。 従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
  論文  参考訳（メタデータ） (2021-01-17T00:31:37Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)
• Convergence Time Optimization for Federated Learning over Wireless Networks [160.82696473996566]
  無線ユーザが(ローカル収集データを用いて訓練した)ローカルFLモデルを基地局(BS)に送信する無線ネットワークを考える。 中央コントローラとして機能するBSは、受信したローカルFLモデルを使用してグローバルFLモデルを生成し、それを全ユーザにブロードキャストする。 無線ネットワークにおけるリソースブロック(RB)の数が限られているため、ローカルFLモデルパラメータをBSに送信するために選択できるのは一部のユーザのみである。 各ユーザが独自のトレーニングデータサンプルを持っているため、BSは、収束したグローバルFLモデルを生成するために、すべてのローカルユーザFLモデルを含むことを好んでいる。
  論文  参考訳（メタデータ） (2020-01-22T01:55:12Z)

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。