論文の概要: AUGUSTE: Online-Learning dApp for Predictive URLLC Scheduling

• arxiv url: http://arxiv.org/abs/2606.03664v1
• Date: Tue, 02 Jun 2026 13:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.043221
• Title: AUGUSTE: Online-Learning dApp for Predictive URLLC Scheduling
• Title（参考訳）: AUGUSTE: 予測URLLCスケジューリングのためのオンライン学習用dApp
• Authors: Maxime Elkael, Michele Polese, Yunseong Lee, Koichiro Furueda, Tommaso Melodia,
• Abstract要約: 実際の5Gネットワークは、50-70msの範囲で、中央値のUplink(UL)ラウンドトリップ時間を示している。 ULスケジューラにオンライン機械学習(ML)モデルを組み込んだ学習ベースメディアアクセス制御(MAC)スケジューリングフレームワークであるAUGUSTEを提案する。 3つのURLLCトラフィックパターンにまたがってOpenAirInterfaceを実行する実5Gテストベッド上でAUGUSTEを評価した。
• 参考スコア（独自算出の注目度）: 10.973028847423807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra Reliable and Low Latency Communications (URLLC) was one of the main motivations behind 5G, with 3GPP advertising 1-10 ms latency targets for applications such as industrial automation, Vehicle-To-Everything (V2X), tactical edge networking, and unmanned-system control. Years on, real 5G Time Division Duplexing (TDD) networks still show median Uplink (UL) round-trip times in the 50-70 ms range, largely because of the Scheduling Request (SR) procedure that a User Equipment (UE) must complete before transmitting UL data. Existing remedies, primarily Configured Grant (CG) scheduling, only eliminate this overhead for strictly periodic traffic and require cross-layer synchronization, which has limited their adoption. We propose AUGUSTE (Anticipatory Uplink Grants for URLLC via Self-Adapting Temporal Estimation), a learning-based Medium Access Control (MAC) scheduling framework that embeds online Machine Learning (ML) models in the UL scheduler to predict packet arrivals and proactively allocate resources before an SR is issued. An adaptive state machine alternates between a learning phase that collects unbiased arrival statistics and a confident phase that exploits the learned predictions to schedule only when traffic is expected. We evaluate AUGUSTE on a real 5G testbed running OpenAirInterface across three URLLC traffic patterns (request-response, ML edge inference, and periodic autonomous reporting), and show that it operates at the best achievable point on the latency-overhead trade-off: it matches always-on scheduling's median Round Trip Time (RTT) (around 10 ms, halving the 20 ms SR-based baseline) at roughly one-tenth its resource cost (7-10 percent overhead).
• Abstract（参考訳）: Ultra Reliable and Low Latency Communications (URLLC) は5Gの背後にある主要な動機の1つであり、3GPP広告は産業自動化、V2X、戦術エッジネットワーク、無人システム制御などのアプリケーションで1-10msの遅延ターゲットを目標としていた。 実際の5G Time Division Duplexing(TDD)ネットワークは、UUデータを送信する前にユーザ機器(UE)が完了しなければならないスケジューリング要求(SR)手順のために、50～70msの範囲で、依然として中央値のUplink(UL)ラウンドトリップ時間を示している。 既存の改善、主に Configured Grant (CG) スケジューリングは、厳密に周期的なトラフィックに対してのみこのオーバーヘッドを排除し、層間同期を必要とするため、採用が制限されている。 AUGUSTE (Anticipatory Uplink Grants for URLLC via Self-Adapting Temporal Estimation) は、学習ベースのメディアアクセス制御(MAC)スケジューリングフレームワークで、ULスケジューラにオンライン機械学習(ML)モデルを組み込んで、パケットの到着を予測し、SRが発行される前にリソースを積極的に割り当てる。 適応状態マシンは、不偏到着統計を収集する学習フェーズと、学習した予測を利用してトラフィックが期待された場合にのみスケジュールする自信フェーズとを交互に行う。 3つのURLLCトラフィックパターン(要求応答、MLエッジ推論、周期的自律レポート)でOpenAirInterfaceを実行する実際の5Gテストベッド上でAUGUSTEを評価し、遅延オーバーヘッドトレードオフにおいて最高の達成可能なポイントで動作していることを示す。

関連論文リスト

• NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation [10.133170438359604]
  我々は高忠実で機械学習に基づくエミュレーションフレームワークであるNeuralEmuを紹介する。 ネットワークテレメトリツールから直接,複雑な5Gスケジューラリソース割り当て動作を学習する。 様々なネットワークアプリケーションに対する技術状況に対するエミュレーションエラーを低減する。
  論文  参考訳（メタデータ） (2026-04-28T19:46:42Z)
• Optimal Scheduling Algorithms for LLM Inference: Theory and Practice [6.043830060363904]
  本稿では,大規模言語モデル推論システムにおけるルーティングとスケジューリングをモデル化する理論的枠組みを開発する。 スループット向上に不可欠な設計原則として,最適化タイリングと動的リソース割り当ての2つがあげられる。 本稿では,リソース・アウェア・ダイナミック(RAD)スケジューラが軽度条件下でスループットの最適化を実現することを示す。
  論文  参考訳（メタデータ） (2025-08-01T18:12:21Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction [72.59079526765487]
  アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。 主な課題は、URLLCパケット生成のプロセスにおける不確実性である。 本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:09:55Z)
• Distributed Resource Allocation for URLLC in IIoT Scenarios: A Multi-Armed Bandit Approach [17.24490186427519]
  本稿では,将来の6G産業用IoT(Industrial Internet of Things, IIoT)ネットワークにおいて,機械間ウルトラ信頼性低レイテンシ通信(URLLC)を実現するという課題に対処する。 本研究では,ユーザ機器がアリンク無線リソースを自律的に選択する機械学習に基づく,分散型ユーザ中心方式について検討する。 シミュレーションを用いて,URLLCを念頭に置いてリソースを割り当てる上で,MAB(Multi-Armed Bandit)アプローチが望ましい手法であることを実証した。
  論文  参考訳（メタデータ） (2022-11-22T11:50:05Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Predicting Bandwidth Utilization on Network Links Using Machine Learning [0.966840768820136]
  本稿では,異なるネットワークリンク間の帯域利用率を高精度に予測する手法を提案する。 シミュレーションネットワークは、各インタフェース上のネットワークリンクのパフォーマンスに関するデータを収集するために作成される。 提案手法は,SDN (Software-Defined Networking) プラットフォームによって管理される反応を用いて,リアルタイムで利用できることを示す。
  論文  参考訳（メタデータ） (2021-12-04T19:47:41Z)
• A Learning-Based Fast Uplink Grant for Massive IoT via Support Vector Machines and Long Short-Term Memory [8.864453148536057]
  3IoTは、レイテンシを低減し、スマートインターネット・オブ・シング(mMTC)アプリケーションの信頼性を高めるために、高速アップリンク・アロケーション(FUG)を使用する必要性を導入した。 サポートマシンスケジューラ(SVM)に基づく新しいFUGアロケーションを提案する。 第2に、LSTMアーキテクチャは、予測エラーを克服するためにトラフィック予測と補正技術に使用される。
  論文  参考訳（メタデータ） (2021-08-02T11:33:02Z)

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。