論文の概要: ReinWiFi: Application-Layer QoS Optimization of WiFi Networks with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2405.03526v2
- Date: Thu, 22 May 2025 16:07:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-23 17:12:47.600889
- Title: ReinWiFi: Application-Layer QoS Optimization of WiFi Networks with Reinforcement Learning
- Title（参考訳）: ReinWiFi: 強化学習によるWiFiネットワークのアプリケーション層QoS最適化
- Authors: Qianren Li, Bojie Lv, Yuncong Hong, Rui Wang,
- Abstract要約: 分散チャネルアクセス(EDCA)メカニズムは、特定の品質・オブ・サービス(QoS)目標、ネットワークトポロジ、干渉レベルに適応できない。
本稿では,新しい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。
提案手法はEDCA機構よりもはるかに優れた性能を達成できることが実証された。
- 参考スコア（独自算出の注目度）: 6.566362478263619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The enhanced distributed channel access (EDCA) mechanism is used in current wireless fidelity (WiFi) networks to support priority requirements of heterogeneous applications. However, the EDCA mechanism can not adapt to particular quality-of-service (QoS) objective, network topology, and interference level. In this paper, a novel reinforcement-learning-based scheduling framework is proposed and implemented to optimize the application-layer quality-of-service (QoS) of a WiFi network with commercial adapters and unknown interference. Particularly, application-layer tasks of file delivery and delay-sensitive communication are jointly scheduled by adjusting the contention window sizes and application-layer throughput limitation, such that the throughput of the former and the round trip time of the latter can be optimized. Due to the unknown interference and vendor-dependent implementation of the WiFi adapters, 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 performance than the EDCA mechanism.
- Abstract（参考訳）: 拡張分散チャネルアクセス(EDCA)機構は、異種アプリケーションの優先度要求をサポートするために、現在の無線フィデリティ(WiFi)ネットワークで使用される。
しかし、EDCAメカニズムは、特定の品質・オブ・サービス(QoS)目標、ネットワークトポロジ、干渉レベルに適応できない。
本稿では,Wi-Fiネットワークのアプリケーション層品質(QoS)を商用アダプタと未知の干渉で最適化するために,新しい強化学習ベースの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、前者のスループットと後者のラウンドトリップタイム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の制限を調整することで、ファイル配信と遅延感度通信のアプリケーション層タスクを共同でスケジューリングする。
WiFiアダプタ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の関係は分かっていない。
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EDCA機構よりもはるかに優れた性能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
- Take What You Need: Flexible Multi-Task Semantic Communications with Channel Adaptation [51.53221300103261]
本稿では,マスク付きオートエンコーダアーキテクチャに基づく,チャネル適応型・マルチタスク対応のセマンティックコミュニケーションフレームワークについて紹介する。
チャネル認識抽出器を用いて、リアルタイムのチャネル条件に応じて、関連情報を動的に選択する。
画像再構成や物体検出などのタスクにおける従来の手法と比較して,本手法の優れた性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-02-12T09:01:25Z) - On Enhancing Network Throughput using Reinforcement Learning in Sliced Testbeds [0.0]
本稿では,ネットワークスライシングスループットをSLA(Service-Level Agreements)に適合させるために,強化学習(Reinforcement Learning, RL)を用いた新しいアプローチとして,拡張移動ブロードバンド(eMBB)-Agentを提案する。
eMBB-Agentはアプリケーション送信変数を分析し、DQN(Deep Q-Network)を使用して受信ウィンドウを調整するために離散空間内のアクションを提案する。
論文 参考訳（メタデータ） (2024-12-21T15:47:49Z) - AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment [8.853779271331508]
オフロードプロセスを最適化する効果的な方法の1つは、送信時間を最小化することである。
これはVehicular Adhoc Network(VANET)において特に当てはまり、車両はHD(High-Definition)マップデータを頻繁にダウンロードしてアップロードする。
論文 参考訳（メタデータ） (2024-07-19T12:40:07Z) - 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) - 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) - 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。