論文の概要: AEC-DS: Adaptive Erasure Coding with PDP-Triggered Reputation and QoS-Aware Migration for Decentralized Storage
- arxiv url: http://arxiv.org/abs/2607.17460v1
- Date: Mon, 20 Jul 2026 01:21:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.472885
- Title: AEC-DS: Adaptive Erasure Coding with PDP-Triggered Reputation and QoS-Aware Migration for Decentralized Storage
- Title（参考訳）: AEC-DS:分散ストレージのためのPDP-Triggered ReputationとQoS-Aware Migrationを用いた適応消去符号化
- Authors: Shuaiwen Li, Weihang Yu, Ke Wang, Meng Han,
- Abstract要約: 分散ストレージシステムでは、監査結果は後続の冗長性やシャード配置の決定を導くために直接使われないことが多い。
本稿では,Provable Data Possessionフィードバックによって駆動されるクローズドループ適応型消去符号化機構であるAEC-DSを提案する。
- 参考スコア（独自算出の注目度）: 12.52476033296328
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In decentralized storage systems, audit results are often not used directly to guide later redundancy and shard-placement decisions, which can lead to inefficient resource allocation and delayed recovery. We propose AEC-DS, a closed-loop adaptive erasure coding mechanism driven by Provable Data Possession (PDP) feedback. PDP audits continuously update node reputation, while a QoS-aware migration policy adjusts shard placement according to node reliability and data priority. The policy moves high-priority shards from unstable nodes to more reliable nodes in the cold tier and penalizes unstable nodes in subsequent placement decisions. Simulations with 800 nodes and 500 files show that AEC-DS maintains 100% data durability under the evaluated fault model with a redundancy factor of 1.25x. Compared with Static-EC, Dynamic-EC, and DRD-EC, AEC-DS reduces cumulative recovery operations by 66.8%-75.2%. Ablation results further show that class migration plays a major role in preventing data loss, improving the measured loss-prevention capability by 176.8%. These results indicate that PDP feedback can connect integrity auditing with redundancy and placement adaptation, providing a practical path toward self-healing decentralized storage while accounting for the additional cost of migration.
- Abstract（参考訳）: 分散ストレージシステムでは、監査結果は後続の冗長性やシャード配置の決定を導くために直接使われないことが多いため、非効率なリソース割り当てや遅延回復につながる可能性がある。
本稿では,PDP(Provable Data Possession)フィードバックによって駆動されるクローズドループ適応消去符号化機構であるAEC-DSを提案する。
PDPはノードの評判を継続的に更新し、QoS対応のマイグレーションポリシーはノードの信頼性とデータの優先度に応じてシャード配置を調整する。
このポリシーは、高優先度シャードを不安定なノードからコールド層の信頼性の高いノードに移し、その後の配置決定で不安定なノードを罰する。
800ノードと500ファイルのシミュレーションにより、AEC-DSは1.25倍の冗長係数で評価された故障モデルの下で100%データ耐久性を維持していることが示された。
Static-EC、Dynamic-EC、RDD-ECと比較すると、AEC-DSは累積回収作業を66.8%-75.2%削減している。
アブレーションの結果は、データ損失を防止し、測定された損失防止能力を176.8%改善する上で、クラスマイグレーションが重要な役割を担っていることを示している。
これらの結果から, PDPフィードバックは, 完全性監査と冗長性, 配置適応を結びつけ, 移動コストの増大を考慮しつつ, 自己修復型分散ストレージへの実践的な道筋をたどることができることが示唆された。
関連論文リスト
- Learning-Driven Adaptive Audit Scheduling: A Sequential Decision Approach to Off-Chain Data Integrity [13.322455243051692]
オフチェーンデータの暗号化監査をCMDP(Constrained MDP)としてモデル化する。
本稿では,GRU層が潜伏ノード型に対する信頼を保っているディープリカレントQ-ネットワークであるDRQN-CMDPを提案する。
論文 参考訳（メタデータ） (2026-07-19T15:42:03Z) - Federated Physics-Grounded Reinforcement Learning for Distributed Stability Control in Smart Grids [0.0]
スマートグリッドにおける過渡安定制御は、カスケード故障を防止するために、発電機周波数とローター角偏差の高速後減衰を必要とする。
本稿では,FedPPO-PG(Federated Multi-Agent Proximal Policy Optimization framework with Physics-Grounded neighborhoods)を提案する。
論文 参考訳（メタデータ） (2026-07-06T18:42:09Z) - DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。
DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文 参考訳（メタデータ） (2026-03-16T02:02:38Z) - Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。
textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文 参考訳（メタデータ） (2026-03-10T04:07:39Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Agentic Entropy-Balanced Policy Optimization [114.90524574220764]
エージェント強化学習(Agentic RL)は,Webエージェントの多ターン,長期ツール利用能力の活性化に大きく貢献している。
RLアルゴリズムはエントロピーの誘導の下で、高不確実性ツールコールステップを自律的に探索するが、エントロピー信号への過度な依存は、さらなる制約を課す可能性がある。
本稿では,エージェント・エントロピー・バランサード・ポリシー最適化(AEPO, Agentic Entropy-Balanced Policy Optimization)を提案する。
論文 参考訳（メタデータ） (2025-10-16T10:40:52Z) - AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。
私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。
提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
論文 参考訳（メタデータ） (2025-02-14T14:56:58Z) - Decentralized Smoothing ADMM for Quantile Regression with Non-Convex Sparse Penalties [3.269165283595478]
急速に進化するIoT(Internet-of-Things)エコシステムでは、センサによって生成された分散データを扱う上で、効果的なデータ分析技術が不可欠である。
下位段階のコンセンサスアプローチのような既存の手法の限界に対処することは、アクティブ係数と非アクティブ係数の区別に失敗する。
論文 参考訳（メタデータ） (2024-08-02T15:00:04Z) - Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - Optimal Scheduling in IoT-Driven Smart Isolated Microgrids Based on Deep
Reinforcement Learning [10.924928763380624]
深部強化学習(DRL)によるモノ駆動マイクログリッド(MG)におけるディーゼル発電機(DG)のスケジューリング問題について検討する。
DRLエージェントは、過去の履歴再生およびロードデータから最適なポリシーを学習する。
目標は、需給バランスを確保するという前提で運用コストを削減することである。
論文 参考訳（メタデータ） (2023-04-28T23:52:50Z)
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。