論文の概要: Optimizing Wireless Resource Management and Synchronization in Digital Twin Networks
- arxiv url: http://arxiv.org/abs/2502.05116v1
- Date: Fri, 07 Feb 2025 17:38:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:55:02.728066
- Title: Optimizing Wireless Resource Management and Synchronization in Digital Twin Networks
- Title（参考訳）: ディジタルツインネットワークにおける無線資源管理と同期の最適化
- Authors: Hanzhi Yu, Yuchen Liu, Zhaohui Yang, Haijian Sun, Mingzhe Chen,
- Abstract要約: 物理ネットワークの仮想表現として機能する物理ネットワークとそのデジタルネットワーク双対(DNT)の正確な同期について検討する。
我々は、このリソース割り当て問題を最適化問題として定式化し、物理ネットワークとDNTの非同期化を最小化しつつ、全ユーザのデータレートを最大化することを目的としている。
- 参考スコア（独自算出の注目度）: 25.807050102509184
- License:
- Abstract: In this paper, we investigate an accurate synchronization between a physical network and its digital network twin (DNT), which serves as a virtual representation of the physical network. The considered network includes a set of base stations (BSs) that must allocate its limited spectrum resources to serve a set of users while also transmitting its partially observed physical network information to a cloud server to generate the DNT. Since the DNT can predict the physical network status based on its historical status, the BSs may not need to send their physical network information at each time slot, allowing them to conserve spectrum resources to serve the users. However, if the DNT does not receive the physical network information of the BSs over a large time period, the DNT's accuracy in representing the physical network may degrade. To this end, each BS must decide when to send the physical network information to the cloud server to update the DNT, while also determining the spectrum resource allocation policy for both DNT synchronization and serving the users. We formulate this resource allocation task as an optimization problem, aiming to maximize the total data rate of all users while minimizing the asynchronization between the physical network and the DNT. To address this problem, we propose a method based on the GRUs and the value decomposition network (VDN). Simulation results show that our GRU and VDN based algorithm improves the weighted sum of data rates and the similarity between the status of the DNT and the physical network by up to 28.96%, compared to a baseline method combining GRU with the independent Q learning.
- Abstract（参考訳）: 本稿では,物理ネットワークの仮想表現として機能する物理ネットワークとそのディジタルネットワーク双対(DNT)の正確な同期について検討する。
検討されたネットワークは、その限られたスペクトルリソースをユーザに提供するために割り当てなければならないベースステーション(BS)のセットを含み、また、部分的に観測された物理ネットワーク情報をクラウドサーバに送信し、DNTを生成する。
DNTは、その歴史的ステータスに基づいて物理的なネットワーク状態を予測することができるため、BSは、各タイムスロットに物理ネットワーク情報を送信する必要がなく、ユーザに提供するためのスペクトルリソースを保存できる。
しかし、DNTがBSの物理ネットワーク情報を長時間受信していない場合、物理ネットワークを表すDNTの精度は低下する可能性がある。
この目的のために、各BSは物理ネットワーク情報をクラウドサーバに送信してDNTを更新するかを判断し、同時にDNT同期とユーザへのサービスのためのスペクトルリソース割り当てポリシーを決定する必要がある。
我々は、このリソース割り当てタスクを最適化問題として定式化し、物理ネットワークとDNTの非同期化を最小化しつつ、全ユーザのデータレートを最大化することを目的としている。
この問題に対処するために,GRUと値分解ネットワーク(VDN)に基づく手法を提案する。
シミュレーションの結果、GRUとVDNに基づくアルゴリズムは、GRUと独立Q学習を組み合わせたベースライン法と比較して、DNTと物理ネットワークの状態の重み付けと類似度を最大28.96%向上させることがわかった。
関連論文リスト
- Generic Multimodal Spatially Graph Network for Spatially Embedded Network Representation Learning [2.07180164747172]
汎用マルチモーダル空間グラフ畳み込みネットワーク(GMu-SGCN)を開発した。
開発されたGMu-SGCNは、GraphSAGEモデルと比較してエッジ存在予測タスクの精度を37.1%向上させることができる。
論文 参考訳（メタデータ） (2025-02-01T19:05:48Z) - Deep Neural Networks via Complex Network Theory: a Perspective [3.1023851130450684]
ディープニューラルネットワーク(DNN)は、リンクと頂点が反復的にデータを処理し、タスクを亜最適に解くグラフとして表現することができる。複雑なネットワーク理論(CNT)は、統計物理学とグラフ理論を融合させ、その重みとニューロン構造を分析してニューラルネットワークを解釈する方法を提供する。
本研究では,DNNのトレーニング分布から抽出した測定値を用いて既存のCNTメトリクスを拡張し,純粋なトポロジカル解析からディープラーニングの解釈可能性へ移行する。
論文 参考訳（メタデータ） (2024-04-17T08:42:42Z) - Point-aware Interaction and CNN-induced Refinement Network for RGB-D Salient Object Detection [95.84616822805664]
我々は,CNNによるトランスフォーマーアーキテクチャを導入し,ポイント・アウェア・インタラクションとCNNによるリファインメントを備えた新しいRGB-D SODネットワークを提案する。
トランスフォーマーがもたらすブロック効果とディテール破壊問題を自然に軽減するために,コンテンツリファインメントとサプリメントのためのCNNRユニットを設計する。
論文 参考訳（メタデータ） (2023-08-17T11:57:49Z) - Scalable Neural Network Training over Distributed Graphs [45.151244961817454]
実世界のグラフデータは、キャパシティの制約のため、多くのマシンに格納されなければならない。
ネットワーク通信は費用がかかり、GNNのトレーニングの主なボトルネックとなっている。
最初のフレームワークは、すべてのネットワーク分散レベルにおいて、GNNのトレーニングに使用することができる。
論文 参考訳（メタデータ） (2023-02-25T10:42:34Z) - OpeNPDN: A Neural-network-based Framework for Power Delivery Network
Synthesis [3.7338875223247436]
電力配信ネットワーク(PDN)の設計は、非自明で、時間集約的で反復的なタスクである。
この研究は、事前定義されたPDNテンプレートのセットを利用する機械学習ベースの方法論を提案する。
論文 参考訳（メタデータ） (2021-10-27T05:33:33Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳（メタデータ） (2021-08-20T11:53:05Z) - Optimized Quantum Networks [68.8204255655161]
量子ネットワークは、ネットワーク要求の前に様々な種類の絡み合いを生成することができる。
これを応用して、所望の機能に合わせた絡み合いベースの量子ネットワークを設計する。
論文 参考訳（メタデータ） (2021-07-21T18:00:07Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z) - Disentangling Trainability and Generalization in Deep Neural Networks [45.15453323967438]
我々は,ニューラルネットワークのトレーニング性と一般化のために,NTK(Neural Tangent Kernel)のスペクトルを分析した。
グローバル平均プールのないCNNはFCNとほぼ同じ挙動を示すが、プールを持つCNNは著しく異なり、しばしば一般化性能が向上している。
論文 参考訳（メタデータ） (2019-12-30T18:53:24Z)
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。