論文の概要: LightningNet: Distributed Graph-based Cellular Network Performance Forecasting for the Edge

• arxiv url: http://arxiv.org/abs/2403.18810v1
• Date: Thu, 8 Feb 2024 21:56:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 02:34:48.486191
• Title: LightningNet: Distributed Graph-based Cellular Network Performance Forecasting for the Edge
• Title（参考訳）: LightningNet: エッジ用の分散グラフベースのセルラーネットワークパフォーマンス予測
• Authors: Konstantinos Zacharopoulos, Georgios Koutroumpas, Ioannis Arapakis, Konstantinos Georgopoulos, Javad Khangosstar, Sotiris Ioannidis,
• Abstract要約: セルラーネットワークの性能を予測するための軽量分散グラフベースのフレームワークLightningNetを提案する。 私たちのアーキテクチャイデオロギーは、IoTとエッジデバイスをサポートするように設計されています。
• 参考スコア（独自算出の注目度）: 7.078791178325328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The cellular network plays a pivotal role in providing Internet access, since it is the only global-scale infrastructure with ubiquitous mobility support. To manage and maintain large-scale networks, mobile network operators require timely information, or even accurate performance forecasts. In this paper, we propose LightningNet, a lightweight and distributed graph-based framework for forecasting cellular network performance, which can capture spatio-temporal dependencies that arise in the network traffic. LightningNet achieves a steady performance increase over state-of-the-art forecasting techniques, while maintaining a similar resource usage profile. Our architecture ideology also excels in the respect that it is specifically designed to support IoT and edge devices, giving us an even greater step ahead of the current state-of-the-art, as indicated by our performance experiments with NVIDIA Jetson.
• Abstract（参考訳）: セルラーネットワークは、ユビキタスモビリティをサポートする唯一のグローバルスケールのインフラであるため、インターネットアクセスにおいて重要な役割を担っている。 大規模なネットワークを管理し維持するには、モバイルネットワークオペレーターは、タイムリーな情報、あるいは正確なパフォーマンス予測を必要とする。 本稿では,セルラーネットワークの性能を予測する軽量で分散グラフベースのフレームワークLightningNetを提案する。 LightningNetは、同様のリソース使用プロファイルを維持しながら、最先端の予測技術よりも安定したパフォーマンス向上を実現している。 私たちのアーキテクチャイデオロギーは、IoTとエッジデバイスをサポートするように設計されているという点でも優れています。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Attacks Against Mobility Prediction in 5G Networks [2.1374208474242815]
  これらの予測の精度を損なう可能性のあるモビリティ攻撃が存在することを示す。 1万人規模の半現実的なシナリオでは、携帯端末を乗っ取る能力を備えた敵が、予測精度を75%から40%に大幅に低下させることを示した。 防御機構は特定の領域における攻撃と移動タイプに大きく依存するが,基本的KMeansクラスタリングは正反対のUEを識別するのに有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T16:24:19Z)
• Serving Graph Neural Networks With Distributed Fog Servers For Smart IoT Services [23.408109000977987]
  グラフニューラルネットワーク(GNN)は,グラフ構造上の潜在表現を抽出する能力に優れていたため,様々なアプリケーションへの関心が高まっている。 Fographは、IoTデータソースに近い複数のフォグノードの多様な動的リソースを活用する、分散リアルタイムGNN推論フレームワークである。 プロトタイプに基づく評価とケーススタディにより、Fographは最先端のクラウドサービスと霧の配置を最大5.39倍の高速化と6.84倍のスループット向上で大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2023-07-04T12:30:01Z)
• Semantics-enhanced Temporal Graph Networks for Content Caching and Energy Saving [21.693946854653785]
  本稿では,DGNNモデルの時間的・構造的学習を強化するために,追加のセマンティックメッセージを利用する,STGNという時間的グラフネットワークを提案する。 また,ユーザ固有のアテンション機構を提案し,様々なセマンティクスをきめ細やかに集約する。
  論文  参考訳（メタデータ） (2023-01-29T04:17:32Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• 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)
• Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility [6.112377814215607]
  MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。 主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。 特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
  論文  参考訳（メタデータ） (2020-11-20T18:59:27Z)
• Dynamic Graph Neural Network for Traffic Forecasting in Wide Area Networks [1.0934800950965335]
  我々は,マルチステップネットワークトラフィック予測のための非自動グラフベースニューラルネットワークを開発した。 我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-28T17:47:11Z)

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。