論文の概要: ReinWiFi: A Reinforcement-Learning-Based Framework for the Application-Layer QoS Optimization of WiFi Networks
- arxiv url: http://arxiv.org/abs/2405.03526v1
- Date: Mon, 6 May 2024 14:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 13:26:55.501330
- Title: ReinWiFi: A Reinforcement-Learning-Based Framework for the Application-Layer QoS Optimization of WiFi Networks
- Title（参考訳）: ReinWiFi: WiFiネットワークのアプリケーション層QoS最適化のための強化学習ベースのフレームワーク
- Authors: Qianren Li, Bojie Lv, Yuncong Hong, Rui Wang,
- Abstract要約: 本稿では,無線ローカルエリアネットワーク(WLAN)のアプリケーション層品質を未知の干渉により最適化するために,強化学習に基づくスケジューリングフレームワークを提案する。
従来のスケジューリングパラメータと観測値から現在のスケジューリングアクションにマッピングするために、新しいQ-networkを訓練する。
- 参考スコア（独自算出の注目度）: 6.566362478263619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, a reinforcement-learning-based scheduling framework is proposed and implemented to optimize the application-layer quality-of-service (QoS) of a practical wireless local area network (WLAN) suffering from unknown interference. Particularly, application-layer tasks of file delivery and delay-sensitive communication, e.g., screen projection, in a WLAN with enhanced distributed channel access (EDCA) mechanism, are jointly scheduled by adjusting the contention window sizes and application-layer throughput limitation, such that their QoS, including the throughput of file delivery and the round trip time of the delay-sensitive communication, can be optimized. Due to the unknown interference and vendor-dependent implementation of the network interface card, the relation between the scheduling policy and the system QoS is unknown. Hence, a reinforcement learning method is proposed, in which a novel Q-network is trained to map from the historical scheduling parameters and QoS observations to the current scheduling action. It is demonstrated on a testbed that the proposed framework can achieve a significantly better QoS than the conventional EDCA mechanism.
- Abstract（参考訳）: 本稿では,実運用無線ローカルエリアネットワーク(WLAN)のアプリケーション層品質(QoS)を未知の干渉で最適化するために,強化学習に基づくスケジューリングフレームワークを提案し,実装した。
特に、分散チャネルアクセス(EDCA)機構が強化されたWLANにおいて、ファイル配信および遅延感応通信のアプリケーション層タスクを、ファイル配信のスループットや遅延感応通信のラウンドトリップ時間を含むQoSを最適化するように、競合ウィンドウサイズとアプリケーション層スループット制限を調整することで、共同でスケジュールする。
ネットワークインタフェースカードの不正な干渉とベンダーに依存した実装のため、スケジューリングポリシーとシステムQoSの関係は不明である。
そこで,従来のスケジューリングパラメータとQoS観測から現在のスケジューリング動作にマッピングするために,新しいQネットワークをトレーニングする強化学習手法を提案する。
提案するフレームワークが従来のEDCA機構よりもはるかに優れたQoSを達成できることを,テストベッドで実証した。
関連論文リスト
- Learning to Slice Wi-Fi Networks: A State-Augmented Primal-Dual Approach [79.00655335405195]
ネットワークスライシングは、5G/NGセルラーネットワークにおいて重要な機能であり、様々なQoS(Quality-of-Service)要件の異なるサービスタイプ用にカスタマイズされたスライスを作成する。
Wi-Fiネットワークでは、スライシングに関する事前作業が限られており、潜在的なソリューションは、異なるスライスに異なるチャネルを割り当てる単一のアクセスポイント(AP)上のマルチテナントアーキテクチャに基づいている。
エルゴディック要件を満たすスライシング決定を生成するためには,国家の強化が不可欠であることを示す。
論文 参考訳（メタデータ） (2024-05-09T13:13:34Z) - Intent-Aware DRL-Based Uplink Dynamic Scheduler for 5G-NR [30.146175299047325]
産業用インターネット・オブ・モノのユーザ機器(IIoT UE)を意図的(QoS要求品質)とランダムなトラフィック到着で支援する問題について検討する。
利用可能な通信資源のスケジューリング方法を学ぶために,DRLに基づく時間周波数リソースの集中型動的スケジューラを提案する。
論文 参考訳（メタデータ） (2024-03-27T08:57:15Z) - Matching Game for Optimized Association in Quantum Communication
Networks [65.16483325184237]
本稿では,量子スイッチのためのスワップスタブルな要求-QSアソシエーションアルゴリズムを提案する。
サービスされた要求の割合で、ほぼ最適(5%)のパフォーマンスを達成する。
QCNのサイズが大きくなると、スケーラビリティが向上し、ほぼ最適性能を維持することが示されている。
論文 参考訳（メタデータ） (2023-05-22T03:39:18Z) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳（メタデータ） (2023-05-15T22:04:49Z) - Scheduling Inference Workloads on Distributed Edge Clusters with
Reinforcement Learning [11.007816552466952]
本稿では,エッジネットワークにおける予測クエリを短時間でスケジューリングする問題に焦点をあてる。
シミュレーションにより,大規模ISPの現実的なネットワーク設定とワークロードにおけるいくつかのポリシーを解析する。
我々は、強化学習に基づくスケジューリングアルゴリズムASETを設計し、システム条件に応じてその決定を適応させることができる。
論文 参考訳（メタデータ） (2023-01-31T13:23:34Z) - Low Complexity Adaptive Machine Learning Approaches for End-to-End
Latency Prediction [0.0]
この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。
我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
論文 参考訳（メタデータ） (2023-01-31T10:29:11Z) - An Intelligent Deterministic Scheduling Method for Ultra-Low Latency
Communication in Edge Enabled Industrial Internet of Things [19.277349546331557]
時間知覚ネットワーク (TSN) は, 決定論的スケジューリングによる低遅延通信を実現するために最近研究されている。
非衝突理論に基づく決定論的スケジューリング (NDS) 法を提案し, 時間に敏感な流れに対する超低遅延通信を実現する。
実験の結果,NDS/DQSは決定論的超低レイテンシサービスを十分にサポートし,帯域幅の有効利用を保証できることがわかった。
論文 参考訳（メタデータ） (2022-07-17T16:52:51Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed
Networked Control [56.77877237894372]
この研究は、分散植物、センサー、アクチュエータ、コントローラを備えた完全な分散WNCSを考慮し、限られた数の周波数チャネルを共有する。
最適な送信スケジューリング問題を決定プロセス問題に定式化し、それを解くための深層強化学習アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z) - QoS-Aware Scheduling in New Radio Using Deep Reinforcement Learning [2.3857747529378917]
NRネットワークのためのQA-Aware Deep Reinforcement Learning Agent (QADRA)スケジューラを提案する。
評価シナリオとして,QADRAスケジューラはネットワークのスループットを30%向上すると同時に,ユーザの満足度を同時に維持する。
論文 参考訳（メタデータ） (2021-07-14T09:18:39Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud
System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。
まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。
次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。
第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文 参考訳（メタデータ） (2021-01-17T03:45:25Z)
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。