論文の概要: Towards Resilience: Slice-Driven Orchestration of Mobile IoMT in 6G-Edge-Continuum
- arxiv url: http://arxiv.org/abs/2610.17296v1
- Date: Mon, 12 Oct 2026 18:51:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.442305
- Title: Towards Resilience: Slice-Driven Orchestration of Mobile IoMT in 6G-Edge-Continuum
- Title（参考訳）: レジリエンスに向けて:6G-Edge-Continuumにおける移動IoMTのスライス駆動オーケストレーション
- Abstract要約: 本稿では,5Gネットワークスライシング(NS),リソース対応オーケストレーション,モビリティ対応タスクオフロードを統合した,リソーススライシングに基づく適応オーケストレーションフレームワークを提案する。
IoMTサービスは、CPU容量、メモリ可用性、ストレージ量を考慮して、異なる5Gネットワークスライスに割り当てられる。
さらに,ネットワーク条件の変化によるサービス継続性を維持するために,ユーザモビリティと動的タスクオフロードをサポートする。
- 参考スコア（独自算出の注目度）: 0.45880283710344066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emerging healthcare services, such as real-time diagnostics, remote health monitoring and computer-assisted surgery, require stringent Quality of Service (QoS) guarantees while operating under limited and heterogeneous edge resources. Existing Internet of Medical Things (IoMT) orchestration methods primarily focus on communication metrics such as latency and bandwidth, while overlooking edge resource constraints and dynamic adaptation to workload and user mobility. This paper presents a novel resource-slicing-based adaptive orchestration framework that integrates 5G network slicing (NS), resource-aware orchestration, and mobility-aware task offloading into a single adaptive system. IoMT services are assigned to distinct 5G network slices while jointly considering CPU capacity, memory availability and amount of storage, enabling more efficient service placement and execution. In addition, the system supports user mobility and dynamic task offloading to maintain service continuity under changing network conditions. SimPy-based simulation demonstrates that the proposed method enhances service deployment efficiency, reduces request blocking, and improves user acceptance while maintaining reliable performance across diverse IoMT scenarios.
- Abstract（参考訳）: リアルタイム診断、リモートヘルスモニタリング、コンピュータ支援手術などの新興医療サービスは、制限された異種エッジリソースの下で運用している間に、厳格なQuality of Service(QoS)を保証する必要がある。
既存のIoMT(Internet of Medical Things)オーケストレーション手法は、主にレイテンシや帯域幅といった通信メトリクスに重点を置いている一方で、エッジリソースの制約やワークロードやユーザモビリティへの動的適応を見越している。
本稿では,5Gネットワークスライシング(NS),リソース対応オーケストレーション,単一適応システムへのモビリティ対応タスクオフロードを統合した,リソーススライシングに基づく適応型オーケストレーションフレームワークを提案する。
IoMTサービスは、CPU容量、メモリ可用性、ストレージ容量を共同で考慮しながら、異なる5Gネットワークスライスに割り当てられ、より効率的なサービス配置と実行を可能にしている。
さらに,ネットワーク条件の変化によるサービス継続性を維持するために,ユーザモビリティと動的タスクオフロードをサポートする。
SimPyをベースとしたシミュレーションでは,提案手法はサービスのデプロイメント効率を高め,要求のブロッキングを低減し,多様なIoMTシナリオに対して信頼性の高い性能を維持しながらユーザ受け入れを改善する。
関連論文リスト
- Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。
本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。
具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。
物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
論文 参考訳（メタデータ） (2026-09-17T01:04:27Z) - 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) - Cooperative Task Offloading through Asynchronous Deep Reinforcement Learning in Mobile Edge Computing for Future Networks [2.9057981978152116]
我々はTransformer-driven Prediction (CTO-TP) を用いたレイテンシとエネルギー効率のよい協調タスクオフロードフレームワークを提案する。
提案したCTO-TPアルゴリズムは,ベースライン方式と比較して,システム全体の80%のレイテンシと87%のエネルギー消費を削減している。
論文 参考訳（メタデータ） (2025-04-24T13:12:12Z) - Mobility-aware Seamless Service Migration and Resource Allocation in Multi-edge IoV Systems [22.33677210691788]
Mobile Edge Computing (MEC)は、IoV(Internet-of-Vehicles)アプリケーションに対する低レイテンシと高帯域幅のサポートを提供する。
MECサーバ間の適切なサービス移行なしに、中断のない高品質なサービスを維持するのは難しい。
既存のソリューションは一般的に事前の知識に依存しており、サービス移行プロセス中に効率的なリソース割り当てを考慮することは滅多にありません。
論文 参考訳（メタデータ） (2025-03-11T07:03:25Z) - Benchmarking Dynamic SLO Compliance in Distributed Computing Continuum Systems [9.820223170841219]
大規模アーキテクチャにおけるサービスレベルオブジェクト(SLO)は、その異種性やさまざまなサービス要件のために困難である。
神経科学の新しい手法であるActive Inferenceのベンチマークを、3つの確立された強化学習アルゴリズムに対して提示する。
アクティブ推論はDCCSにおけるSLOコンプライアンスを保証するための有望なアプローチであり、低メモリ使用率、安定したCPU利用、高速収束を提供する。
論文 参考訳（メタデータ） (2025-03-05T08:56:26Z) - Take What You Need: Flexible Multi-Task Semantic Communications with Channel Adaptation [51.53221300103261]
本稿では,マスク付きオートエンコーダアーキテクチャに基づく,チャネル適応型・マルチタスク対応のセマンティックコミュニケーションフレームワークについて紹介する。
チャネル認識抽出器を用いて、リアルタイムのチャネル条件に応じて、関連情報を動的に選択する。
画像再構成や物体検出などのタスクにおける従来の手法と比較して,本手法の優れた性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-02-12T09:01:25Z) - Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。
SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。
これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
論文 参考訳（メタデータ） (2025-01-20T15:52:43Z) - Intelligent Task Offloading: Advanced MEC Task Offloading and Resource Management in 5G Networks [6.725133919174076]
5G技術は、高速で信頼性が高く、低レイテンシな通信、モバイルブロードバンドの革新、大規模なIoT接続をサポートする業界を強化します。
User Equipment上のアプリケーションの複雑さが増すにつれて、リソース集約的なタスクを堅牢なサーバにオフロードすることは、レイテンシとスピードを改善する上で不可欠である。
本稿では,各UE間の通信資源を効率的に配分する手法を提案する。
5G技術の進化によって引き起こされる課題に対して、堅牢で効率的な解決策を提供する。
論文 参考訳（メタデータ） (2025-01-08T16:19:44Z) - QoS-Aware Service Prediction and Orchestration in Cloud-Network
Integrated Beyond 5G [11.864695986880347]
本稿では,レイテンシを増大させながら全体のコストを最小化することを目的として,最適化問題を定式化する非線形プログラミングモデルを提案する。
RNNを用いたDDQLベースの手法を導入し,サービス配置のための水充填方式のアルゴリズムを用いてユーザ行動を予測する。
論文 参考訳（メタデータ） (2023-09-18T22:24:42Z) - 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) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-15T21:25:13Z)
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。