論文の概要: Smart Pilot Assignment for IoT in Massive MIMO Systems: A Path Towards Scalable IoT Infrastructure
- arxiv url: http://arxiv.org/abs/2404.10188v1
- Date: Tue, 16 Apr 2024 00:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-05 18:14:01.191089
- Title: Smart Pilot Assignment for IoT in Massive MIMO Systems: A Path Towards Scalable IoT Infrastructure
- Title（参考訳）: 大規模MIMOシステムにおけるIoTのスマートパイロットアサインメント - スケーラブルなIoTインフラストラクチャへの道
- Authors: Muhammad Kamran Saeed, Ashfaq Khokhar,
- Abstract要約: M-MIMOは、インテリジェントなユーザスケジューリングを利用することで、ネットワーク効率を高め、ユーザエクスペリエンスを向上させる。
本稿では,IoTデバイス用に設計したユーザスケジューリング方式とパイロット割り当て方式を提案する。
M-MIMOシステムにおけるIoTデバイスのスケーラビリティ向上のために,ユーザクラスタリングに基づくパイロットアロケーション方式を利用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 5G sets the foundation for an era of creativity with its faster speeds, increased data throughput, reduced latency, and enhanced IoT connectivity, all enabled by Massive MIMO (M-MIMO) technology. M-MIMO boosts network efficiency and enhances user experience by employing intelligent user scheduling. This paper presents a user scheduling scheme and pilot assignment strategy designed for IoT devices, emphasizing mitigating pilot contamination, a key obstacle to improving spectral efficiency (SE) and system scalability in M-MIMO networks. We utilize a user clustering-based pilot allocation scheme to boost IoT device scalability in M-MIMO systems. Additionally, our smart pilot allocation minimizes interference and enhances SE by treating pilot assignment as a graph coloring problem, optimizing it through integer linear programming (ILP). Recognizing the computational complexity of ILP, we introduced a binary search-based heuristic predicated on interference threshold to expedite the computation, while maintaining a near-optimal solution. The simulation results show a significant decrease in the required pilot overhead (about 17%), and substantial enhancement in SE (about 8-14%).
- Abstract（参考訳）: 5Gは、より高速なスピード、データスループットの向上、レイテンシの低減、IoT接続の強化などにより、クリエイティビティの時代の基礎を築き、これらはすべてM-MIMO(Massive MIMO)技術によって実現されている。
M-MIMOは、インテリジェントなユーザスケジューリングを利用することで、ネットワーク効率を高め、ユーザエクスペリエンスを向上させる。
本稿では、M-MIMOネットワークにおけるスペクトル効率(SE)向上とシステムのスケーラビリティ向上のための重要な障害であるパイロット汚染の緩和を強調し、IoTデバイス用に設計されたユーザスケジューリングとパイロット割り当て戦略を提案する。
M-MIMOシステムにおけるIoTデバイスのスケーラビリティ向上のために,ユーザクラスタリングに基づくパイロットアロケーション方式を利用する。
さらに、我々のスマートパイロット割当は干渉を最小限に抑え、パイロット割当をグラフカラー化問題として扱い、整数線形プログラミング(ILP)により最適化することでSEを強化する。
ILPの計算複雑性を認識しながら、干渉閾値に基づく二進探索に基づくヒューリスティックを導入し、計算を高速化し、最適に近い解を維持した。
シミュレーションの結果、必要なパイロットのオーバーヘッド(約17%)が大幅に減少し、SE(約8-14%)が大幅に向上した。
関連論文リスト
- Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。
CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
論文 参考訳（メタデータ） (2024-09-25T11:10:33Z) - Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。
我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。
具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
論文 参考訳（メタデータ） (2024-08-26T14:28:51Z) - Mitigating Pilot Contamination and Enabling IoT Scalability in Massive
MIMO Systems [1.8198370834761697]
大規模MIMOシステムにおけるパイロット汚染とスケーラビリティの問題に対処する。
我々は,IoTデバイスのデータ転送パターンに基づいた,革新的なパイロットアロケーション方式を考案する。
論文 参考訳（メタデータ） (2023-10-05T03:06:09Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - 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) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - 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) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Deep Learning for Massive MIMO Channel State Acquisition and Feedback [7.111650988432555]
大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。
トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。
本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
論文 参考訳（メタデータ） (2020-02-17T13:16:34Z)
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。