論文の概要: Context-Aware Hybrid Routing in Bluetooth Mesh Networks Using Multi-Model Machine Learning and AODV Fallback

• arxiv url: http://arxiv.org/abs/2509.21490v1
• Date: Thu, 25 Sep 2025 19:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.959183
• Title: Context-Aware Hybrid Routing in Bluetooth Mesh Networks Using Multi-Model Machine Learning and AODV Fallback
• Title（参考訳）: マルチモデル機械学習とAODVフォールバックを用いたBluetoothメッシュネットワークにおけるコンテキスト認識ハイブリッドルーティング
• Authors: Md Sajid Islam, Tanvir Hasan,
• Abstract要約: Bluetoothベースのメッシュネットワークは、緊急およびリソース制約のあるシナリオにおけるオフライン通信のための有望なインフラストラクチャを提供する。 Adhoc On-Demand Distance Vector (AODV)のような従来のルーティング戦略は、しばしば混雑と動的トポロジ的変化の下で劣化する。 本研究では,教師付き機械学習によりAODVを増強し,ホップ選択を改善するハイブリッドなインテリジェントルーティングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.06445605125467573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bluetooth-based mesh networks offer a promising infrastructure for offline communication in emergency and resource constrained scenarios. However, traditional routing strategies such as Ad hoc On-Demand Distance Vector (AODV) often degrade under congestion and dynamic topological changes. This study proposes a hybrid intelligent routing framework that augments AODV with supervised machine learning to improve next-hop selection under varied network constraints. The framework integrates four predictive models: a delivery success classifier, a TTL regressor, a delay regressor, and a forwarder suitability classifier, into a unified scoring mechanism that dynamically ranks neighbors during multi-hop message transmission. A simulation environment with stationary node deployments was developed, incorporating buffer constraints and device heterogeneity to evaluate three strategies: baseline AODV, a partial hybrid ML model (ABC), and the full hybrid ML model (ABCD). Across ten scenarios, the Hybrid ABCD model achieves approximately 99.97 percent packet delivery under these controlled conditions, significantly outperforming both the baseline and intermediate approaches. The results demonstrate that lightweight, explainable machine learning models can enhance routing reliability and adaptability in Bluetooth mesh networks, particularly in infrastructure-less environments where delivery success is prioritized over latency constraints.
• Abstract（参考訳）: Bluetoothベースのメッシュネットワークは、緊急およびリソース制約のあるシナリオにおけるオフライン通信のための有望なインフラストラクチャを提供する。 しかしながら、Adhoc On-Demand Distance Vector (AODV)のような従来のルーティング戦略は、しばしば混雑と動的トポロジ的変化の下で劣化する。 本研究では、AODVを教師付き機械学習で強化し、ネットワーク制約の異なる次ホップ選択を改善するハイブリッドなインテリジェントルーティングフレームワークを提案する。 このフレームワークは、デリバリ成功分類器、TTL回帰器、遅延回帰器、フォワーダー適合分類器の4つの予測モデルを、マルチホップメッセージ送信中に隣人を動的にランク付けする統一的なスコアリング機構に統合する。 バッファ制約とデバイス不均一性を取り入れた定常ノード配置によるシミュレーション環境を開発し、ベースラインAODV、部分ハイブリッドMLモデル(ABC)、フルハイブリッドMLモデル(ABCD)の3つの戦略を評価した。 10つのシナリオで、ハイブリッドABCDモデルはこれらの制御条件下で約99.97パーセントのパケット配信を達成し、ベースラインと中間の両方のアプローチを著しく上回っている。 結果として、軽量で説明可能な機械学習モデルは、特にレイテンシ制約よりもデリバリの成功が優先されるインフラストラクチャレス環境で、Bluetoothメッシュネットワークにおけるルーティングの信頼性と適応性を向上することができることが示される。

関連論文リスト

• CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
  CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。 CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。 トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-09-24T07:54:01Z)
• A Federated Fine-Tuning Paradigm of Foundation Models in Heterogenous Wireless Networks [43.049216349313575]
  エッジデバイスは、基地局とのファインチューニングのためのLoRAモジュールを動的に切り替え、異種伝送の影響を緩和する。 計算複雑性の問題を解決するために,オンライン最適化アルゴリズムを開発した。 SST-2およびQNLIデータセットのシミュレーション結果は、試験精度とエネルギー効率における性能向上を示す。
  論文  参考訳（メタデータ） (2025-09-05T06:38:36Z)
• Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks [5.034703123469061]
  インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的な低遅延マルチタスク適応を実現することが困難である。 本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-13T06:29:00Z)
• Hierarchical Evolutionary Optimization with Predictive Modeling for Stable Delay-Constrained Routing in Vehicular Networks [6.449894994514711]
  Vehicular Ad Hoc Networks (VANETs) はインテリジェントトランスポートシステムの基盤であり、車両とインフラ間のリアルタイム通信を促進する。 本稿では,車載ネットワークにおける遅延制約付きルーティングのための階層的進化最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-15T08:51:06Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
  本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。 大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
  論文  参考訳（メタデータ） (2024-10-18T14:04:38Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• A Multi-Domain VNE Algorithm based on Load Balancing in the IoT networks [22.63148849159129]
  本稿では,ハイブリッド遺伝的アルゴリズムに基づく仮想ネットワークマッピング戦略を提案する。 アルゴリズムの柔軟性を向上させるために、クロス確率とフェロモンベースの突然変異遺伝子選択戦略を使用する。 平均見積もりのマッピング、リンクロードバランシング、マッピングコスト-ベネフィット比、受け入れ率、実行時間など、多くのパフォーマンス指標でうまく機能する。
  論文  参考訳（メタデータ） (2022-02-07T01:01:21Z)
• Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
  我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。 ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
  論文  参考訳（メタデータ） (2021-07-28T06:20:34Z)
• On Topology Optimization and Routing in Integrated Access and Backhaul Networks: A Genetic Algorithm-based Approach [70.85399600288737]
  IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。 我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。 メッシュベースのIABネットワークを実現する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-02-14T21:52:05Z)

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。