循环调度方案分析的马尔可夫链模型

共享接入网中基于亏损轮询的ISP流量控制策略

Deficit Round-Robin-Based ISP Traffic Control Scheme Enabling Excess Bandwidth Allocation in Shared Access Networks

在共享接入中，运营商基于令牌桶的用户流量整形在活跃用户较少的情况下浪费了网络资源，因为它不能长期分配多余的带宽。为了解决这个问题，基于核心无状态公平交换（CSFQ）和令牌桶计量器（TBMs）的流量控制方案已经被提出，它可以在活跃用户之间分配与他们的令牌生成速率成比例的多余带宽。然而，对所有分组使用FIFO队列会降低符合性业务的短期性能，因为队列中已经存在不符合性分组。此外，基于指数平均的速率估计使得难以对业务条件的快速变化做出反应。在本文中，我们提出了一种新的流量控制方案的基础上赤字轮循（DRR）和TBMs，以保证服务质量的一致性数据包在所有的时间尺度，同时分配额外的带宽之间的活跃用户成比例的令牌生成率，其优势基于CSST的计划，通过仿真结果表明。

可重构的高速轮询仲裁器并行结构

Reconfigurable Parallel Architecture of High Speed Round Robin Arbiter

为了管理计算机网络中不断增长的业务，已经提出了循环仲裁器与分组交换系统一起工作，以在提供访问和调度方面具有增加的速度。循环仲裁器是基于请求的特定总线的入口，具有相同的优先级，并以循环顺序轮流连接到它的设备。考虑到计算机网络的快速发展和计算机自动化的出现，需要更多地访问现有的有限资源，本文重点设计了一种基于FPGA的可重配置循环仲裁器，该仲裁器可以接收并行请求并以比现有设计更高的效率和更少的延迟来处理它们。提议的循环仲裁器遇到4到12个设备。结果表明，当连接设备数增加200%时，延迟仅增加2.69%。与现有的设计相比，提出的循环仲裁器具有更小的延迟，具有更高的流量，这是一个新的功能，具有高速性能。

采用Deficit Round-Robin的时间敏感网络最坏情况时延分析

Worst-case Delay Analysis of Time-Sensitive Networks with Deficit Round-Robin

针对采用DRR的时间敏感网络时延上界分析问题，提出PLP-DRR方法，适配PLP以支持DRR与非凸服务曲线，解决循环依赖下的多迭代结合问题，为通用拓扑DRR网络提供更优的最坏情况时延上界，在工业网络中验证了显著提升效果。

灵巧家庭的可验证循环方案

Verifiable Round-Robin Scheme for Smart Homes

传感、网络和驱动技术的进步导致了物联网浪潮，预计将彻底改变现代社会的各个方面。本文重点讨论了在灵巧家庭背景下物联网中出现的隐私新挑战。具体而言，本文的重点是防止用户的隐私，通过渠道和家庭设备活动的推断。我们提出了一种方法，安全地调度设备，同时解耦的设备和通道的活动。所提出的解决方案避免了可能揭示设备的协调调度的任何攻击，并且因此还确保可能损害个人隐私的推断不会由于设备和信道级活动而泄露。我们的实验也验证了所提出的方法，因此，对手不能推断设备和通道活动，只是观察网络流量。

Round-Robin is Provably Near-Optimal for Minimizing Age with HARQ over Heterogeneous Unreliable Multiaccess Channels

In a heterogeneous unreliable multiaccess network, wherein terminals share a common wireless channel with distinctive error probabilities, existing works have showed that a persistent round-robin (RR-P) scheduling policy (i.e., greedy policy) can be arbitrarily worse than the optimum in terms of Age of Information (AoI) under standard Automatic Repeat reQuest (ARQ), and one must resort to Whittle's index approach for optimal AoI. In this paper, practical Hybrid ARQ (HARQ) schemes which are widely-used in today's wireless networks are considered. We show that RR-P is very close to optimum with …

三状态马尔可夫模型下行链路的启发式多用户调度

Opportunistic Multiuser Scheduling in a Three State Markov-modeled Downlink

我们考虑蜂窝系统的下行链路，并解决部分信道信息的多用户调度问题。在我们的设置中，每个用户的信道是由一个三态马尔可夫链建模。调度器通过来自调度用户的累积自动重传请求（ARQ）反馈来间接估计信道，并在未来的调度决策中使用该信息。使用部分可观测马尔可夫决策过程（POMDP），我们制定了吞吐量最大化的问题，这是我们以前的工作，其中信道建模使用两个状态的扩展。我们回顾贪婪的政策，被证明是最佳的，易于实现的两个状态的情况下，并研究贪婪的政策在考虑下行链路的实现结构。我们将系统分为两种类型的信道统计的基础上，并获得循环结构的贪婪政策为每个系统类型。我们得到的下行链路系统使用这些结构的性能界限，并研究条件下，贪婪的政策是最佳的。

无线联邦学习中快速收敛的设备调度

Device Scheduling with Fast Convergence for Wireless Federated Learning

由于网络边缘对海量数据分析和模型训练的需求日益增长，以及对数据隐私的日益关注，一种新的分布式训练框架--联邦学习（FL）应运而生。在FL的每次迭代（称为循环）中，边缘设备根据自己的数据更新本地模型，并通过无线信道上传模型更新来为全局训练做出贡献。由于有限的频谱资源，在每一轮中只能调度一部分设备。虽然大多数现有的工作调度集中在收敛的FL w.r.t.轮，在总的训练时间预算下的收敛性能尚未探索。在本文中，联合带宽分配和调度问题，制定捕获FL的长期收敛性能，并通过解耦为两个子问题来解决。对于带宽分配子问题，推导出的最优解建议分配更多的带宽给具有更差的信道条件或更弱的计算能力的设备。对于设备调度子问题，通过揭示达到一定模型精度所需的轮数和每轮延迟之间的权衡，启发了贪婪策略，该策略连续选择模型更新消耗最少时间的设备，直到实现学习效率和每轮延迟之间的良好权衡。实验结果表明，该策略优于其他国家的最先进的调度策略，在训练时间预算的最佳可实现的模型精度。

Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling

The popular federated edge learning (FEEL) framework allows privacy-preserving collaborative model training via frequent learning-updates exchange between edge devices and server. Due to the constrained bandwidth, only a subset of devices can upload their updates at each communication round. This has led to an active research area in FEEL studying the optimal device scheduling policy for minimizing communication time. However, owing to the difficulty in quantifying the exact communication time, prior work in this area can only tackle the problem partially by considering either the communicatio…