論文の概要: Mobility-Aware Mobile Edge Computing for Energy-Balanced Data Collection in IoT-Enabled Underwater Sensor Networks

• arxiv url: http://arxiv.org/abs/2611.06186v1
• Date: Wed, 04 Nov 2026 09:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.036235
• Title: Mobility-Aware Mobile Edge Computing for Energy-Balanced Data Collection in IoT-Enabled Underwater Sensor Networks
• Title（参考訳）: IoTで実現可能な水中センサネットワークにおけるエネルギーベースデータ収集のための移動型モバイルエッジコンピューティング
• Abstract要約: 本稿では,移動型移動エッジコンピューティング(MEC)を用いた水中無線センサネットワーク(UWSN)におけるエネルギーバランスデータ収集手法について述べる。 我々は,現実的な水中移動力学を取り入れたメタヒューリスティックなAUVルーティングアルゴリズムを設計する。 提案手法は,MEC対応AUVの計算,ストレージ,モビリティの活用により,効率的な軌道計画と適応データ収集を実現する。
• 参考スコア（独自算出の注目度）: 1.6486392501989746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater wireless sensor networks (UWSNs) face critical challenges in energy imbalance, connectivity, and data collection due to harsh environments. To address these issues, this paper focuses on the problem is how to achieve energy-balanced data collection in IoT-enabled UWSNs with a mobility-aware mobile edge computing (MEC), named MECEBDC. Unlike existing approaches, the proposed scheme jointly optimizes energy-aware clustering, cluster head selection, and AUV-assisted data collection. Furthermore, we design a novel metaheuristic-based AUV routing algorithm that incorporates realistic underwater mobility dynamics, explicitly considering gravitational pressure and buoyancy forces acting on the AUV. By leveraging the computing, storage, and mobility capabilities of MEC-enabled AUVs, the proposed approach enables efficient trajectory planning and adaptive data gathering in a stable 3D underwater environment. Extensive simulations and theoretical analysis demonstrate that the proposed method significantly reduces node energy consumption, improves data collection efficiency, and prolongs network lifetime compared with existing schemes, making it well suited for long-term underwater IoT applications.
• Abstract（参考訳）: 水中無線センサネットワーク(UWSN)は、厳しい環境のため、エネルギー不均衡、接続性、データ収集において重要な課題に直面している。 これらの問題に対処するため,本論文では,MEC(MeCEBDC)というモビリティ対応モバイルエッジコンピューティング(MEC)を用いて,IoT対応のUWSNにおいて,エネルギーバランスの取れたデータ収集を実現する方法について論じる。 既存の手法とは異なり、提案手法はエネルギー対応クラスタリング、クラスタヘッドの選択、AUV支援データ収集を共同で最適化する。 さらに,AUVに作用する重力圧と浮力を考慮して,現実的な水中移動力学を取り入れたメタヒューリスティックなAUVルーティングアルゴリズムを設計する。 提案手法は,MEC対応AUVの計算,ストレージ,移動性を利用して,安定な3次元水中環境下での効率的な軌道計画と適応データ収集を可能にする。 大規模シミュレーションと理論解析により,提案手法はノードのエネルギー消費を著しく低減し,データ収集効率を向上し,ネットワーク寿命を従来の方式と比較して延長し,長期間の水中IoTアプリケーションに適していることが示された。

関連論文リスト

• Edge-Based Predictive Data Reduction for Smart Agriculture: A Lightweight Approach to Efficient IoT Communication [1.2249546377051437]
  IoTデバイスの急速な成長は、処理のためにクラウドサーバへの送信を必要とする膨大なセンサデータを生み出しました。 これは、帯域幅が制限されたリソース制約とリモート環境において特に問題となる。 本稿では,エッジコンピューティング環境向けに設計され,シミュレーションにより検証された解析予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-24T13:37:33Z)
• OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT [0.8258451067861933]
  IoT環境では、セキュリティを確保するために効果的な侵入検知システム(IDS)が不可欠である。 従来の機械学習ベースのIDSモデルは一般的に大規模なデータセットを必要とするが、プライバシやセキュリティ上の懸念からデータ共有は制限されることが多い。 本稿では,モデル複雑性とエネルギー消費を低減するため,局所訓練中にプルーニング技術を適用したOptiFLIDSを提案する。
  論文  参考訳（メタデータ） (2025-10-05T16:44:41Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Data-driven Modality Fusion: An AI-enabled Framework for Large-Scale Sensor Network Management [0.49998148477760973]
  本稿では,DMF(Data-driven Modality Fusion)と呼ばれる新しいセンシングパラダイムを紹介する。 異なるセンシングモードからの時系列データ間の相関を利用して、DMF手法によりモニタリングに必要な物理センサの数を削減できる。 このフレームワークは、エッジデバイスからコアへ計算の複雑さを移動させ、リソースに制約のあるIoTデバイスが集中的な処理タスクに負担されないようにする。
  論文  参考訳（メタデータ） (2025-02-07T14:00:04Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• 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)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。