論文の概要: Predictive Handover Strategy in 6G and Beyond: A Deep and Transfer Learning Approach
- arxiv url: http://arxiv.org/abs/2404.08113v1
- Date: Thu, 11 Apr 2024 20:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-15 16:24:45.394236
- Title: Predictive Handover Strategy in 6G and Beyond: A Deep and Transfer Learning Approach
- Title（参考訳）: 6G以上の予測的ハンドオーバ戦略:ディープラーニングとトランスファー学習アプローチ
- Authors: Ioannis Panitsas, Akrit Mudvari, Ali Maatouk, Leandros Tassiulas,
- Abstract要約: 本稿では,将来的なサービスセル予測のためのディープラーニングに基づくアルゴリズムを提案する。
我々のフレームワークはO-RAN仕様に準拠しており、Near-Real-Time RAN Intelligent Controllerにデプロイできます。
- 参考スコア（独自算出の注目度）: 11.44410301488549
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Next-generation cellular networks will evolve into more complex and virtualized systems, employing machine learning for enhanced optimization and leveraging higher frequency bands and denser deployments to meet varied service demands. This evolution, while bringing numerous advantages, will also pose challenges, especially in mobility management, as it will increase the overall number of handovers due to smaller coverage areas and the higher signal attenuation. To address these challenges, we propose a deep learning based algorithm for predicting the future serving cell utilizing sequential user equipment measurements to minimize the handover failures and interruption time. Our algorithm enables network operators to dynamically adjust handover triggering events or incorporate UAV base stations for enhanced coverage and capacity, optimizing network objectives like load balancing and energy efficiency through transfer learning techniques. Our framework complies with the O-RAN specifications and can be deployed in a Near-Real-Time RAN Intelligent Controller as an xApp leveraging the E2SM-KPM service model. The evaluation results demonstrate that our algorithm achieves a 92% accuracy in predicting future serving cells with high probability. Finally, by utilizing transfer learning, our algorithm significantly reduces the retraining time by 91% and 77% when new handover trigger decisions or UAV base stations are introduced to the network dynamically.
- Abstract（参考訳）: 次世代のセルネットワークは、より複雑で仮想化されたシステムに進化し、最適化の強化に機械学習を使用し、さまざまなサービス要求を満たすために、より高い周波数帯域とより高密度なデプロイメントを活用する。
この進化は、多くの利点をもたらすが、特にモビリティ管理において、より少ない範囲と高い信号減衰によるハンドオーバの全体数の増加により、課題を生じさせる。
これらの課題に対処するため, ハンドオーバ障害や割り込み時間を最小限に抑えるために, 逐次的ユーザ機器計測を用いて, 将来的なサービスセルの予測を行うディープラーニングベースのアルゴリズムを提案する。
提案アルゴリズムでは,ネットワークオペレータがハンドオーバトリガイベントを動的に調整したり,UAVベースステーションを組み込んでカバレッジとキャパシティの向上を実現し,転送学習技術によるロードバランシングやエネルギー効率といったネットワーク目的を最適化する。
我々のフレームワークはO-RAN仕様に準拠しており、E2SM-KPMサービスモデルを活用したxAppとして、Near-Real-Time RAN Intelligent Controllerにデプロイすることができる。
評価の結果,提案アルゴリズムは将来提供細胞を高い確率で予測する上で,92%の精度を達成できることが示唆された。
最後に,転送学習を利用することで,新しいハンドオーバトリガ決定やUAV基地局を動的に導入した場合,再トレーニング時間を91%,77%削減する。
関連論文リスト
- Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。
シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T11:50:43Z) - Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳（メタデータ） (2024-12-21T10:18:55Z) - Distributed Collaborative Inference System in Next-Generation Networks and Communication [12.372334028925618]
生成人工知能(GAI)の高度な計算要求は、限られたリソースを持つデバイスに対する課題を提示する。
次世代ネットワークと通信のための多段階協調推論システムを提案する。
本システムでは,推測精度を犠牲にすることなく,最大17%の推論時間を短縮できる。
論文 参考訳（メタデータ） (2024-11-16T10:48:12Z) - Koopman based trajectory model and computation offloading for high mobility paradigm in ISAC enabled IoT system [0.0]
6G技術の進歩は、モバイルの技術進化に急速に浸透しつつある。
モバイル通信における統合されたセンシングと通信は、軌道予測と処理遅延を改善する可能性がある。
本研究では,多ユーザネットワークにおける資源配分最適化手法を提案する。
論文 参考訳（メタデータ） (2024-06-28T12:26:28Z) - Energy-Efficient On-Board Radio Resource Management for Satellite
Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。
関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文 参考訳（メタデータ） (2023-08-22T03:13:57Z) - DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging
Scheduling in Large-scale Networked Facilities [5.78463306498655]
電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。
現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。
ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
論文 参考訳（メタデータ） (2023-05-18T14:03:47Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Cellular traffic offloading via Opportunistic Networking with
Reinforcement Learning [0.5758073912084364]
本稿では,Reinforcement Learningフレームワークに基づく適応型オフロードソリューションを提案する。
Actor-Critic と Q-Learning の2つのよく知られた学習アルゴリズムの性能を評価し比較する。
我々のソリューションは、他の最先端のアプローチよりも高いレベルのオフロードを実現する。
論文 参考訳（メタデータ） (2021-10-01T13:34:12Z)
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。