論文の概要: A Threshold-Triggered Deep Q-Network-Based Framework for Self-Healing in Autonomic Software-Defined IIoT-Edge Networks

• arxiv url: http://arxiv.org/abs/2512.14297v1
• Date: Tue, 16 Dec 2025 11:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.693298
• Title: A Threshold-Triggered Deep Q-Network-Based Framework for Self-Healing in Autonomic Software-Defined IIoT-Edge Networks
• Title（参考訳）: 自律型ソフトウェア設計 IIoT-Edge ネットワークにおける自己修復のためのThreshold-Triggered Deep Q-Network-based Framework
• Authors: Agrippina Mwangi, León Navarro-Hilfiker, Lukasz Brewka, Mikkel Gryning, Elena Fumagalli, Madeleine Gibescu,
• Abstract要約: Flashイベントは、ソフトウェア定義産業ネットワークにおける断続的なサービス劣化の主要な要因である。 本研究では、自律的にネットワーク破壊を検出し、分析し、緩和するしきい値トリガー付きディープQネットワークセルフヒーリングエージェントを提案する。 提案手法は, ベースライン最短経路および負荷バランスルーティング方式と比較して, 破壊回復性能を53.84%向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic disruptions such as flash events arising from benign traffic bursts and switch thermal fluctuations are major contributors to intermittent service degradation in software-defined industrial networks. These events violate IEC~61850-derived quality-of-service requirements and user-defined service-level agreements, hindering the reliable and timely delivery of control, monitoring, and best-effort traffic in IEC~61400-25-compliant wind power plants. Failure to maintain these requirements often results in delayed or lost control signals, reduced operational efficiency, and increased risk of wind turbine generator downtime. To address these challenges, this study proposes a threshold-triggered Deep Q-Network self-healing agent that autonomically detects, analyzes, and mitigates network disruptions while adapting routing behavior and resource allocation in real time. The proposed agent was trained, validated, and tested on an emulated tri-clustered switch network deployed in a cloud-based proof-of-concept testbed. Simulation results show that the proposed agent improves disruption recovery performance by 53.84% compared to a baseline shortest-path and load-balanced routing approach and outperforms state-of-the-art methods, including the Adaptive Network-based Fuzzy Inference System by 13.1% and the Deep Q-Network and traffic prediction-based routing optimization method by 21.5%, in a super-spine leaf data-plane architecture. Additionally, the agent maintains switch thermal stability by proactively initiating external rack cooling when required. These findings highlight the potential of deep reinforcement learning in building resilience in software-defined industrial networks deployed in mission-critical, time-sensitive application scenarios.
• Abstract（参考訳）: 異常なトラフィックバーストやスイッチ熱ゆらぎに起因するフラッシュイベントなどの確率的破壊は、ソフトウェア定義産業ネットワークにおける断続的サービス劣化の主要な要因である。 これらの出来事は、IEC~61400-25準拠の風力発電プラントの信頼性とタイムリーな制御、監視、最強の輸送を妨げる、IEC~61850由来の品質要件とユーザ定義のサービスレベル契約に違反している。 これらの要求を維持するのに失敗すると、しばしば制御信号の遅延や損失が生じ、運転効率が低下し、風力発電機のダウンタイムのリスクが増大する。 これらの課題に対処するために,ネットワークの障害を自律的に検出,解析,緩和し,ルーティング動作やリソース割り当てをリアルタイムで調整するしきい値トリガー付きディープQネットワークセルフヒーリングエージェントを提案する。 提案したエージェントは、クラウドベースの概念実証テストベッドにデプロイされたエミュレートされた三クラスタスイッチネットワーク上で、トレーニング、検証、およびテストされた。 シミュレーションの結果,提案手法はベースラインの短絡経路と負荷バランスを考慮したルーティング手法と比較して,破壊復旧性能を53.84%向上し,適応型ネットワークベースファジィ推論システム13.1%,ディープQネットワークおよびトラフィック予測に基づくルーティング最適化手法21.5%といった最先端手法よりも優れていた。 また、必要に応じて外部ラック冷却を積極的に開始することにより、スイッチ熱安定性を維持している。 これらの知見は、ミッションクリティカルで時間に敏感なアプリケーションシナリオにデプロイされたソフトウェア定義産業ネットワークにおけるレジリエンス構築における深い強化学習の可能性を強調している。

関連論文リスト

• An Adaptive Intelligent Thermal-Aware Routing Protocol for Wireless Body Area Networks [0.0]
  本稿では、WBANに対するインテリジェントな温度認識および信頼性に基づくルーティング手法を提案する。 スループットを13%向上し、エンドツーエンドの遅延を10%削減し、エネルギー消費を25%削減し、ルーティング負荷を既存の方法に比べて30%削減する。
  論文  参考訳（メタデータ） (2025-10-22T07:02:32Z)
• Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats [1.7614511833648008]
  本稿では,サイバー物理的攻撃条件下でのカスケード障害を軽減するための耐障害性とレジリエンスに配慮した枠組みを提案する。 NS-3シミュレーションを用いて総合的な検証を行い、信頼性、レイテンシ、レジリエンス指数、パケット損失率などの重要な性能指標を分析した。
  論文  参考訳（メタデータ） (2025-10-22T06:56:44Z)
• 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)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• 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)
• CAROL: Confidence-Aware Resilience Model for Edge Federations [13.864161788250856]
  本稿では、メモリ効率の良い生成ニューラルネットワークを用いて、将来状態のQuality of Service(QoS)を予測し、各予測に対する信頼度スコアを推定する信頼性認識型レジリエンスモデルCAROLを提案する。 CAROLは、エネルギー消費、期限違反率、レジリエンスオーバーヘッドを最大16、17、36パーセント削減することで、最先端のレジリエンススキームより優れています。
  論文  参考訳（メタデータ） (2022-03-14T14:37:31Z)
• Adaptive network reliability analysis: Methodology and applications to power grid [0.0]
  本研究では,ベイジアン付加回帰木(ANR-BART)を用いた適応代理型ネットワーク信頼性解析法を提案する。 その結果、ANR-BARTは堅牢であり、信頼性解析の計算コストを大幅に削減しつつ、ネットワーク障害確率の正確な推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-11T19:58:08Z)
• Artificial Intelligence based Sensor Data Analytics Framework for Remote Electricity Network Condition Monitoring [0.0]
  農村電化は、単一ワイヤアースリターン(SWER)ネットワークのような安価な技術の使用を要求する。 リモート消費者からのエネルギー需要は着実に増加しており、既存の路線の容量はすぐに不足する可能性がある。 SWERラインからの高インピーダンスアーク断層(HIF)は、2009年のブラックサタデーイベントのような壊滅的なブッシュファイアを引き起こす可能性があります。
  論文  参考訳（メタデータ） (2021-01-21T07:50:01Z)

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。