論文の概要: Machine Learning to Predict Slot Usage in TSCH Wireless Sensor Networks

• arxiv url: http://arxiv.org/abs/2512.03570v1
• Date: Wed, 03 Dec 2025 08:50:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:56:27.001613
• Title: Machine Learning to Predict Slot Usage in TSCH Wireless Sensor Networks
• Title（参考訳）: TSCH無線センサネットワークにおけるスロット使用予測のための機械学習
• Authors: Stefano Scanzio, Gabriele Formis, Tullio Facchinetti, Gianluca Cena,
• Abstract要約: 本研究は、TSCHプロトコルに基づいて、ネットワークで生成されたトラフィックパターンを機械学習で学習することを提案する。 典型的なツリーネットワークトポロジにおいて、機械学習モデルが異なるネットワークレベルで優れた予測を行う能力について、深く分析した。 解析アルゴリズムはTSCHネットワークの電力消費をさらに効果的に低減するために好適に利用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Wireless sensor networks (WSNs) are employed across a wide range of industrial applications where ultra-low power consumption is a critical prerequisite. At the same time, these systems must maintain a certain level of determinism to ensure reliable and predictable operation. In this view, time slotted channel hopping (TSCH) is a communication technology that meets both conditions, making it an attractive option for its usage in industrial WSNs. This work proposes the use of machine learning to learn the traffic pattern generated in networks based on the TSCH protocol, in order to turn nodes into a deep sleep state when no transmission is planned and thus to improve the energy efficiency of the WSN. The ability of machine learning models to make good predictions at different network levels in a typical tree network topology was analyzed in depth, showing how their capabilities degrade while approaching the root of the tree. The application of these models on simulated data based on an accurate modeling of wireless sensor nodes indicates that the investigated algorithms can be suitably used to further and substantially reduce the power consumption of a TSCH network.
• Abstract（参考訳）: 無線センサネットワーク(WSN)は、超低消費電力が重要な前提条件である幅広い産業用途に利用されている。 同時に、これらのシステムは信頼性と予測可能な操作を保証するために、一定のレベルの決定性を維持する必要がある。 この観点では、タイムスロット型チャネルホッピング(TSCH)は、両方の条件を満たす通信技術であり、工業用WSNでの使用に魅力的な選択肢である。 本研究は,TSCHプロトコルに基づいてネットワーク内で発生したトラフィックパターンを機械学習を用いて学習し,伝送が計画されていない場合にノードを深い睡眠状態にし,WSNのエネルギー効率を向上させることを提案する。 典型的な木ネットワークトポロジにおいて、異なるネットワークレベルで優れた予測を行う機械学習モデルの能力を深く分析し、木の根に近づきながら、それらの能力がいかに劣化するかを示した。 無線センサノードの高精度なモデリングに基づくシミュレーションデータへのこれらのモデルの適用により,TSCHネットワークの電力消費をさらに効果的に削減できる可能性が示唆された。

関連論文リスト

• Improving Wi-Fi Network Performance Prediction with Deep Learning Models [0.9632663495317711]
  本研究では,Wi-Fiネットワークにおける通信路品質をフレーム配信率の観点から予測するために,機械学習技術を用いる。 予測は、実行時の通信パラメータを積極的に調整し、産業アプリケーションのためのネットワーク操作を最適化するために使用することができる。
  論文  参考訳（メタデータ） (2025-07-15T10:18:32Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Low-Power Vibration-Based Predictive Maintenance for Industry 4.0 using Neural Networks: A Survey [33.08038317407649]
  本稿では,予測保守のための振動センサデータの低消費電力オンデバイス計算のためのニューラルネットワークの可能性について検討する。 予測メンテナンスタスクでニューラルネットワークを評価するのに十分な標準ベンチマークデータセットは存在しない。 我々は、低消費電力の予測保守アプリケーションのためのニューラルネットワークのハードウェア実装に関する将来の研究の必要性を強調した。
  論文  参考訳（メタデータ） (2024-08-01T12:46:37Z)
• Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks [0.2499907423888049]
  デジタルツインネットワーク(DTN)技術は,自律型ネットワークの基礎技術として期待されている。 DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいてネットワークを運用およびシステム化できるという利点がある。 DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。
  論文  参考訳（メタデータ） (2024-05-14T09:55:03Z)
• Quantization-aware Neural Architectural Search for Intrusion Detection [5.010685611319813]
  本稿では、最先端NNの1000倍の規模を持つ量子化ニューラルネットワーク(NN)モデルを自動的に訓練し、進化させる設計手法を提案する。 FPGAにデプロイする際にこのネットワークが利用するLUTの数は2.3倍から8.5倍と小さく、性能は以前の作業に匹敵する。
  論文  参考訳（メタデータ） (2023-11-07T18:35:29Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
  本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。 商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
  論文  参考訳（メタデータ） (2022-02-11T10:21:34Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• An Ensemble Deep Convolutional Neural Network Model for Electricity Theft Detection in Smart Grids [2.281079191664481]
  電力盗難検知(EDT)アルゴリズムは、この非技術的損失(NTL)が電力システムにおいて重大な課題を引き起こす可能性があるため、一般的にそのような目的のために使用される。 本稿では,スマートグリッドにおけるETDのためのEnsemble Deep Convolutional Neural Network (EDCNN)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-10T18:27:13Z)

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。