論文の概要: Lightweight Authenticated Task Offloading in 6G-Cloud Vehicular Twin Networks
- arxiv url: http://arxiv.org/abs/2502.03403v1
- Date: Wed, 05 Feb 2025 17:43:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-06 14:27:53.294846
- Title: Lightweight Authenticated Task Offloading in 6G-Cloud Vehicular Twin Networks
- Title（参考訳）: 6Gクラウド双極子ネットワークにおける軽量認証タスクオフロード
- Authors: Sarah Al-Shareeda, Fusun Ozguner, Keith Redmill, Trung Q. Duong, Berk Canberk,
- Abstract要約: 本稿では,クラウドベースのVTN(Vehicular Twin Networks)におけるタスクオフロードに,IBC(Identity-Based Cryptographic)認証を取り入れた統合フレームワークを提案する。
IBC認証は、オーバヘッドの追加により、オフロード効率を最大50%削減できる。
対策として、送信データ率の増加は、オフロード性能を最大63%向上させることができる。
- 参考スコア（独自算出の注目度）: 12.231199253248933
- License:
- Abstract: Task offloading management in 6G vehicular networks is crucial for maintaining network efficiency, particularly as vehicles generate substantial data. Integrating secure communication through authentication introduces additional computational and communication overhead, significantly impacting offloading efficiency and latency. This paper presents a unified framework incorporating lightweight Identity-Based Cryptographic (IBC) authentication into task offloading within cloud-based 6G Vehicular Twin Networks (VTNs). Utilizing Proximal Policy Optimization (PPO) in Deep Reinforcement Learning (DRL), our approach optimizes authenticated offloading decisions to minimize latency and enhance resource allocation. Performance evaluation under varying network sizes, task sizes, and data rates reveals that IBC authentication can reduce offloading efficiency by up to 50% due to the added overhead. Besides, increasing network size and task size can further reduce offloading efficiency by up to 91.7%. As a countermeasure, increasing the transmission data rate can improve the offloading performance by as much as 63%, even in the presence of authentication overhead. The code for the simulations and experiments detailed in this paper is available on GitHub for further reference and reproducibility [1].
- Abstract（参考訳）: 6G車載ネットワークにおけるタスクオフロードの管理は、特に車両が大量のデータを生成するため、ネットワーク効率を維持するために不可欠である。
認証を通じてセキュアな通信を統合することで、計算と通信のオーバーヘッドが増加し、オフロード効率とレイテンシに大きな影響を及ぼす。
本稿では,クラウドベースのVTN(Vehicular Twin Networks)内でのタスクオフロードに,IBC(Identity-Based Cryptographic)認証を組み込んだ統合フレームワークを提案する。
深層強化学習(DRL)におけるPPO(Proximal Policy Optimization)を活用することで,信頼性の高いオフロード決定を最適化し,レイテンシを最小化し,リソース割り当てを向上する。
ネットワークサイズ、タスクサイズ、データレートの異なるパフォーマンス評価では、IBC認証がオーバヘッドの追加により、オフロード効率を最大50%削減できることが示されている。
さらに、ネットワークサイズとタスクサイズの増加により、オフロード効率を最大91.7%削減することができる。
対策として、送信データ率の増大は、認証オーバーヘッドがある場合でも、オフロード性能を最大63%向上させることができる。
この論文で詳述されたシミュレーションと実験のコードはGitHubで参照と再現性のために公開されている[1]。
関連論文リスト
- AutoFlow: An Autoencoder-based Approach for IP Flow Record Compression with Minimal Impact on Traffic Classification [0.0]
本稿では,自動エンコーダを用いてIPフローレコードを圧縮する深層学習方式を提案する。
提案手法は,下流解析タスクにおける圧縮データの有用性を維持しながら,データ量を削減する。
この作業の影響は、より効率的なネットワーク監視とスケーラブルでリアルタイムなネットワーク管理ソリューションにまで及ぶ。
論文 参考訳（メタデータ） (2024-09-17T11:24:22Z) - Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - UniPTS: A Unified Framework for Proficient Post-Training Sparsity [67.16547529992928]
Post-Traiing Sparsity (PTS)は、必要な限られたデータで効率的なネットワークスパシティを追求する、新たに登場した道である。
本稿では,従来のスパシティの性能をPSSの文脈に大きく変化させる3つの基本因子を変換することで,この相違を解消しようとする。
我々のフレームワークはUniPTSと呼ばれ、広範囲のベンチマークで既存のPTSメソッドよりも優れていることが検証されている。
論文 参考訳（メタデータ） (2024-05-29T06:53:18Z) - Demystifying the Performance of Data Transfers in High-Performance
Research Networks [6.458147381472771]
ファイル転送のための主要なパフォーマンス指標を収集し,保存するための,スケーラブルでエンドツーエンドな監視フレームワークを提案する。
提案するフレームワークでは,最大400のホスト毎の転送と40,000以上の転送を監視でき,パフォーマンス統計を1秒の精度で収集することができる。
また、収集した性能指標を自動的に処理し、Fスコア87～98%で性能異常の根本原因を特定する手法も導入した。
論文 参考訳（メタデータ） (2023-08-20T16:17:18Z) - FedDUAP: Federated Learning with Dynamic Update and Adaptive Pruning
Using Shared Data on the Server [64.94942635929284]
フェデレーテッド・ラーニング(FL)は2つの重要な課題、すなわち限られた計算資源と訓練効率の低下に悩まされている。
本稿では,サーバ上の不感なデータとエッジデバイスの分散データを利用する新しいFLフレームワークであるFedDUAPを提案する。
提案するFLモデルであるFedDUAPは,2つの元の手法を統合することで,精度(最大4.8%),効率(最大2.8倍),計算コスト(最大61.9%)において,ベースラインアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2022-04-25T10:00:00Z) - Towards Simple and Accurate Human Pose Estimation with Stair Network [34.421529219040295]
精度の高い多段階ポーズ推定システムに積み重ねることができるStair Networkと呼ばれる小さな判別モデルを開発した。
計算コストを削減するため、Stair Networkは、新しい基本的な特徴抽出ブロックで構成されている。
2つの標準データセットに対するStair Networkの有効性を示す。
論文 参考訳（メタデータ） (2022-02-18T10:37:13Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - SWIS -- Shared Weight bIt Sparsity for Efficient Neural Network
Acceleration [68.36996813591423]
量子化は、ニューラルネットワークコンピューティングシステムの性能と効率の向上を先導している。
本稿では,効率的なニューラルネットワーク推論高速化のための量子化フレームワークSWIS-Shared Weight bIt Sparsityを提案する。
論文 参考訳（メタデータ） (2021-03-01T21:03:20Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource
Allocation [36.364156900974535]
高速移動車載ネットワークにおける深層学習支援CSI推定手法を提案する。
我々は、車両用ユーザ機器の動的スライシングに基づくリソース割り当て問題を定式化し、解決する。
論文 参考訳（メタデータ） (2020-03-12T10:00:08Z) - BABO: Background Activation Black-Out for Efficient Object Detection [1.433758865948252]
本稿では,計算コストを削減できるオブジェクト検出手法を提案する。
スパシファイド・アクティベーションは推論速度を高めるために利用することができる。
重ネットワーク(VGGとRetinaNet)でも同様の傾向を示す。
論文 参考訳（メタデータ） (2020-02-05T02:25:08Z)
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。