論文の概要: CNN-Enabled Scheduling for Probabilistic Real-Time Guarantees in Industrial URLLC

• arxiv url: http://arxiv.org/abs/2506.14987v1
• Date: Tue, 17 Jun 2025 21:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.489224
• Title: CNN-Enabled Scheduling for Probabilistic Real-Time Guarantees in Industrial URLLC
• Title（参考訳）: 産業用URLLCにおける確率的リアルタイム保証のためのCNN対応スケジューリング
• Authors: Eman Alqudah, Ashfaq Khokhar,
• Abstract要約: マルチセル・マルチチャネルネットワークにおける干渉調整の改善を目的としたCNNに基づく動的優先度予測機構を提案する。 3つのネットワーク構成で最大113%,94%,49%のSINR増加を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ensuring packet-level communication quality is vital for ultra-reliable, low-latency communications (URLLC) in large-scale industrial wireless networks. We enhance the Local Deadline Partition (LDP) algorithm by introducing a CNN-based dynamic priority prediction mechanism for improved interference coordination in multi-cell, multi-channel networks. Unlike LDP's static priorities, our approach uses a Convolutional Neural Network and graph coloring to adaptively assign link priorities based on real-time traffic, transmission opportunities, and network conditions. Assuming that first training phase is performed offline, our approach introduced minimal overhead, while enabling more efficient resource allocation, boosting network capacity, SINR, and schedulability. Simulation results show SINR gains of up to 113\%, 94\%, and 49\% over LDP across three network configurations, highlighting its effectiveness for complex URLLC scenarios.
• Abstract（参考訳）: 大規模産業無線ネットワークにおける超信頼性,低遅延通信(URLLC)には,パケットレベルの通信品質の確保が不可欠である。 マルチセルマルチチャネルネットワークにおける干渉調整を改善するために,CNNに基づく動的優先度予測機構を導入することにより,ローカルデッドライン分割(LDP)アルゴリズムを改良する。 LDPの静的優先度とは異なり、我々の手法は畳み込みニューラルネットワークとグラフカラー化を使用して、リアルタイムトラフィック、送信機会、ネットワーク条件に基づいてリンク優先度を適応的に割り当てる。 最初のトレーニングフェーズをオフラインで行うと仮定すると、より効率的なリソース割り当て、ネットワーク容量の増強、SINR、スケジュール可能性を実現し、最小限のオーバーヘッドを導入します。 シミュレーションの結果、SINR は3つのネットワーク構成で LDP よりも 113\%、94\%、49\% まで上昇し、複雑な URLLC シナリオの有効性を強調した。

関連論文リスト

• GCN-Driven Reinforcement Learning for Probabilistic Real-Time Guarantees in Industrial URLLC [0.0]
  我々は,Deep Q-Network(DQN)強化学習フレームワークと統合されたグラフ畳み込みネットワーク(GCN)を導入することにより,ローカルデッドライン分割(LDP)アルゴリズムを強化する。 我々は,GCN-DQNモデルにより,3つのネットワーク構成において,平均SINRが179.6%,197.4%,LDPが175.2%向上したことを示す。
  論文  参考訳（メタデータ） (2025-06-17T22:48:22Z)
• A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC in Industrial IoT [16.167107624956294]
  産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。 無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
  論文  参考訳（メタデータ） (2023-11-21T12:22:04Z)
• Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
  本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。 この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-12T10:32:26Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Accuracy-Guaranteed Collaborative DNN Inference in Industrial IoT via Deep Reinforcement Learning [10.223526707269537]
  計算集約型ディープニューラルネットワーク(DNN)推論サービスをサポートするためには,IoT(Industrial Internet of Things)デバイスとエッジネットワークのコラボレーションが不可欠だ。 本稿では,産業用IoTネットワークにおける協調推論問題について検討する。
  論文  参考訳（メタデータ） (2022-12-31T05:53:17Z)
• A Reinforcement Learning Approach to Optimize Available Network Bandwidth Utilization [3.254879465902239]
  深部強化学習(RL)を用いた並列TCPストリームの最適数を求めるための新しい手法を提案する。 我々のRLアルゴリズムは、最大15%高いスループットを達成しながら、ほぼ最適解を40%高速に見つけることができる。
  論文  参考訳（メタデータ） (2022-11-22T02:00:05Z)
• LCP: A Low-Communication Parallelization Method for Fast Neural Network Inference in Image Recognition [33.581285906182075]
  そこで本研究では, ほぼ独立な複数の枝と狭い枝からなるモデルを用いた低通信並列化手法を提案する。 当社では,AWSインスタンス,Raspberry Pi,PYNQボードという,3つの分散システムにLCPモデルをデプロイしています。 LCPモデルは、オリジナルのモデルと比べて56倍と7倍の平均的なスピードアップを達成し、平均的なスピードアップを33倍に改善することができた。
  論文  参考訳（メタデータ） (2020-03-13T19:52:44Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。