An Intelligent Location Management approaches in GSM Mobile Network
S.V College of Engineering(S.V工程学院);AITS Rajampet(AITS拉贾姆佩特);APGCCS
位置管理是指在无线网络中更新和搜索移动节点的当前位置的问题。为了使其有效,位置数据库的更新成本之和必须最小化。以前的工作依赖于固定位置的数据库是无法充分利用系统中的用户移动模式的知识,以实现这种最小化。该研究提出了一种智能位置管理方法,该方法在智能信息系统和知识库技术之间进行交互,从而可以动态地改变用户模式,减少VLR和HLR之间的转换。该研究提供了算法处理位置注册和呼叫传递的能力
2012-04-07 cs.AI cs.NI
Intelligent Bandwidth Allocation for Latency Management in NG-EPON using Reinforcement Learning Methods
Georgia Institute of Technology(佐治亚理工学院);CableLabs, Inc.(CableLabs公司)
提出了一种基于强化学习的下一代以太网无源光网络(NG-EPON)智能带宽分配方案。我们验证了所提出的方案在固定和动态流量负载情况下实现<1 ms平均延迟的能力。RL代理展示了一种有效的智能机制来管理延迟,这为下一代接入网提供了一个有前途的IBA解决方案。
2020-01-21 cs.LG cs.NI eess.SP
BeGREEN Intelligent Plane for AI-driven Energy Efficient O-RAN management
i2CAT Foundation(i2CAT基金会);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);IHP - Leibniz-Institut für innovative Mikroelektronik(IHP-莱布尼茨创新微电子研究所);Gigasys Solutions Ltd(Gigasys解决方案有限公司)
提出BeGREEN智能平面框架,通过AI/ML工作流实现O-RAN架构下的节能优化,并展示了AI驱动的基站开关控制应用。
2026-06-04 cs.NI
Internet of Things for Residential Areas: Toward Personalized Energy Management Using Big Data
机器的智能管理,特别是在住宅区中,多年来一直受到关注。然而,这样的系统设计一直局限于从本地或从互联网远程地对机器进行简单控制。在本报告中,首次提出了一种智能系统,不仅为用户提供机器的智能控制能力,而且还利用大数据和优化技术为用户提供促销优惠,以优化机器的能源消耗。由于机器之间的高流量通信和系统的优化-大数据核心,所提出的系统的通信核心是基于云设计的,其中涉及许多具有挑战性的问题,如频谱分配和资源管理。针对这一问题,基于认知无线电系统设计了家庭区域网(HAN)的通信网络,提出了一种基于蚁群优化(ACO)算法的频谱分配方法,对HAN中的机器进行频谱分配。性能评估的频谱分配方法表明,它的性能在机器之间的公平频谱分配。
2015-12-30 cs.NI
A QoS-Aware Intelligent Replica Management Architecture for Content Distribution in Peer-to-Peer Overlay Networks
利用复制技术,大规模内容分发系统得到了广泛的改进。通过在地理上增加信息源,可以使所需的内容更接近客户端,这反过来又减少了访问延迟和网络流量。通过复制技术将负载分散到多个服务器上,可以提高系统的可扩展性。如果所请求对象的副本(例如,网页或图像)位于其更接近的位置,则客户端将感觉到低访问等待时间。根据副本的位置,复制的有效性在很大程度上趋于一致。本文提出了一种基于QoS的覆盖网络结构,该结构包含一种智能副本放置算法。其主要目标是提高P2P系统的网络利用率和容错能力。除了副本放置之外,它还具有缓存技术,以减少搜索延迟。我们能够表明,我们提出的架构达到更少的延迟和更好的吞吐量,减少带宽的使用,通过模拟结果。
2009-12-11 cs.NI
An Intelligent Software Workflow Process Design for Location Management on Mobile Devices
网络技术、无线通信技术和计算机技术的进步,推动了移动通信基础设施的快速发展,极大地改变了移动设备上的信息处理方式。携带便携式设备的用户可以自由移动,同时仍然连接到网络。这为随时随地访问信息提供了灵活性。为了提高移动终端的灵活性,移动网络软件系统的设计面临着新的挑战,包括位置和移动性管理、信道分配、节能和安全。在本文中,我们提出了智能软件工具的移动设备上的软件设计,以满足移动定位和移动性管理的新挑战。在这项研究中,提出的业务流程重新设计(BPR)的概念是旨在扩展现有的,广泛使用的过程建模工具在行业中的能力与“智能”的能力,建议有利的替代方案,现有的软件工作流程设计,提高灵活性的移动设备。
2012-04-07 cs.NI cs.SE
Intelligent Interference Management Based on On-Demand Service Connectivity for Femtocellular Networks
毫微微接入点(FAP)是一种低功率的小型蜂窝基站,它为室内用户提供更好的信号质量,以提供具有改善的覆盖范围、接入网络容量和服务质量的高数据速率通信。高度密集的毫微微蜂窝部署-毫微微蜂窝技术的最终目标-将需要显著程度的自组织来代替手动配置,以减轻不必要的干扰和干扰效应。在多层建筑物或家庭环境中部署具有我们提出的按需方案的毫微微蜂窝基站可以解决低水平的信号噪声加干扰比和吞吐量问题。在本文中,我们提出了新的毫微微蜂窝技术的应用与毫微微空闲模式和毫微微活动模式系统的新思想。分析了系统的信干噪比和吞吐量。仿真结果表明,在多层建筑或家庭环境中,所提出的按需方案在毫微微小区部署中显着提高了信干噪比水平和吞吐量。
2018-10-05 cs.NI
IoT Equipped Intelligent Distributed Framework for Smart Healthcare Systems
医疗保健部门的基本目标是采用不同的技术来观察和跟踪患者在日常生活中的各种临床参数。远程患者观察应用程序越来越受欢迎,因为这些应用程序促进了经济的医疗保健服务。通过这些应用程序收集的数据管理过程也需要适当注意。虽然云促进的医疗保健应用程序迎合了各种解决方案来存储患者记录并根据所有利益相关者的需求提供所需的数据,但受到安全问题的影响,更多的响应时间并影响系统的持续可用性。为了克服这些挑战,本章提出了一个基于智能物联网的分布式框架来部署远程医疗服务。在所提出的模型中,系统的各个实体使用物联网和分布式数据库管理系统互连,以满足患者和医疗保健工作者的安全和快速数据可用性。区块链的概念用于确保患者医疗记录的安全性。该模型将包括对从区块链保护的分布式数据库管理系统中获取的临床记录进行智能分析。提出的模型进行了测试,真实的临床数据和结果进行了详细讨论。
2021-10-25 cs.NI
An Intelligent QoS Algorithm for Home Networks
NVIDIA Corporation(英伟达公司)
提出了一种新的家庭网络服务质量(QoS)管理算法。该算法是基于服务预测的智能QoS管理。服务预测由具有包含服务的过去记录的简档的一般回归神经网络执行。提出了一种新的配置文件更新技术,使配置文件的大小可以保持小的快速带宽分配。分析研究和实际局域网上的实验表明,该算法提供了可靠的QoS管理的家庭网络与低的计算开销。
2020-07-22 cs.LG cs.NI
Artificial Intelligence-Enabled Intelligent 6G Networks
随着灵巧终端和基础设施的快速发展,以及多样化的应用(例如,虚拟和增强现实,远程手术和全息投影),当前的网络(例如,4G和即将到来的5G网络)可能无法完全满足快速增长的流量需求。因此,工业界和学术界都在努力研究6G网络。最近,人工智能(AI)已被用作设计和优化具有高智能水平的6G网络的新范例。为此,本文提出了一种基于人工智能的6G网络智能架构,实现知识发现、智能资源管理、自动网络调整和智能业务提供,该架构分为智能感知层、数据采掘与分析层、智能控制层和智能应用层四层。然后,我们回顾和讨论了人工智能技术在6G网络中的应用,并详细阐述了如何利用人工智能技术来有效地优化网络性能,包括人工智能授权的移动边缘计算,智能移动和切换管理以及智能频谱管理。此外,我们还强调了人工智能支持的智能6G网络的重要未来研究方向和潜在解决方案,包括计算效率、算法鲁棒性、硬件开发和能源管理。
2020-12-05 cs.NI eess.SP
Intelligent Spectrum Management in Satellite Communications
IoT & Software Engineering Research Lab, School of Information Technology, Deakin University(物联网与软件工程研究中心,信息科技学院,德肯大学)
本综述聚焦卫星通信频谱稀缺问题,探讨智能动态频谱管理方法的适配应用,梳理相关技术、AI/ML方案、性能指标及监管障碍,提出未来研究方向,助力构建高效卫星通信网络。
2025-08-30 cs.AI cs.NI
AI-Native Network Digital Twin for Intelligent Network Management in 6G
本文提出面向6G的AI原生网络数字孪生框架,通过AI模型构建孪生模型支撑网络管理,给出性能提升方案与案例研究,探讨了相关开放研究问题。
2024-10-09 cs.NI cs.SY eess.SY
Generative Adversarial Learning for Intelligent Trust Management in 6G Wireless Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学);University of Guelph(圭尔夫大学);Hosei University(法政大学)
新兴的第六代移动通信(6G)融合了异构无线网络,能够无缝支持随时随地的联网。但6G应该提供高质量的信任,以满足移动用户的期望。人工智能(AI)被认为是6G最重要的组成部分之一。基于人工智能的信任管理是提供可信和可靠服务的一个很有前途的范例。在这篇文章中,提出了一种用于6G无线网络的生成式对抗学习信任管理方法。首先回顾了一些典型的基于人工智能的信任管理方案,然后介绍了一种潜在的异构和智能的6G架构。接下来,开发了AI和信任管理的集成,以优化智能和安全性。最后,提出的基于人工智能的信任管理方法应用于安全聚类,以实现可靠和实时的通信。仿真结果表明,该算法在保证网络安全和服务质量方面具有良好的性能。
2022-08-02 cs.AI cs.LG cs.NI
An Intelligent Trust Cloud Management Method for Secure Clustering in 5G enabled Internet of Medical Things
Waseda University(早稻田大学);University of Guelph(圭尔夫大学);Birla Institute of Technology, Mesra(梅斯拉贝拉理工学院)
5G边缘计算支持的医疗物联网(IoMT)是提供分散式医疗服务的有效技术,而设备到设备(D2D)通信是未来5G网络的一个有前途的范例。为了确保5G边缘计算和D2D支持的IoMT系统中的安全可靠通信,本文提出了一种智能信任云管理方法。首先,提出了一种主动训练机制来构建标准信任云。其次,可以通过模糊信任推理和推荐来建立IoMT设备的个体信任云。第三,提出了一种信任分类方案来确定IoMT设备是否是恶意的。最后,提出了一种信任云更新机制,使所提出的信任管理方法在开放的无线介质下具有自适应性和智能性。仿真结果表明,该方法能有效解决信任不确定性问题,提高恶意设备检测的准确性。
2022-07-19 cs.AI cs.NI cs.SY
An Intelligent Mobile-Agent Based Scalable Network Management Architecture for Large-Scale Enterprise System
为了解决集中式网络管理模型(SNMP或CMIP管理模型)的可扩展性和灵活性问题,近年来提出了几种基于移动Agent的分布式网络管理模型。虽然使用移动代理来分配和委托管理任务来方便地处理前面提到的问题,许多基于代理的管理框架,如初始平台模型和静态中层管理人员采用移动代理模型不能有效地满足当前网络的需求,这是在规模和复杂性不断增长。此外,各种技术,如SONET、ATM、以太网、DWDM等,存在于网络的接入、城域网和核心(长途)部分的不同层,在它们自己的成帧和协议结构方面增加了复杂性。因此,控制和管理这些网络中的流量是一项具有挑战性的任务。针对上述问题,提出了一种基于智能可扩展层次代理的大规模复杂网络管理模型。提出了成本估算,以期计算管理数据开销方面的总体管理成本。此后获得的结果建立所提出的架构相比,集中式和平床代理模型的有用性。
2012-02-09 cs.DC cs.MA cs.NI
Big Data for Traffic Monitoring and Management
过去二十年见证了信息和通信技术的巨大进步。除了计算能力和存储容量的提高之外,通信网络现在还承载着大量的数据,这在几年前是无法想象的。随着网络的普及,网络的复杂性也在以同样的速度增长,使得运营商和研究人员几乎没有什么工具来了解网络中以及全球范围内的互联网上发生了什么。幸运的是,数据科学和机器学习的最新进展拯救了网络分析师,并允许进行复杂程度和空间/时间范围的分析,这在10年前是不可能的。在我的论文中,我采取的角度来看,互联网服务提供商(ISP),并说明了挑战和可能性,分析来自现代运营网络的流量。我利用大数据和机器学习算法,并将其应用于来自ISP和大学校园网络的被动测量的数据集。数据科学和网络测量之间的结合由于机器学习算法的复杂性以及此类数据固有的多维性和可变性而变得复杂。因此,我的工作提出并评估了新颖的技术,灵感来自流行的机器学习方法,但经过精心定制,以适应网络流量。
2019-02-28 cs.NI
A Vision of Self-Evolving Network Management for Future Intelligent Vertical HetNet
未来的集成地面-空中-卫星网络必须表现出一些前所未有的特性,以提供通信和计算服务,并为大量设备提供安全性,这些设备在多个网络,运营商和生态系统中具有非常广泛和苛刻的要求。尽管3GPP在4G和5G文档中引入了自组织网络(SON)的概念以自动化网络管理,但即使是这种渐进的概念也将面临若干挑战,因为它可能无法足够敏捷地应对所设想的超越5G集成网络中的巨大复杂性、异构性和移动性。在所提出的愿景中,我们讨论了未来的集成网络如何能够智能和自主地管理,以有效地利用资源,降低运营成本,并实现目标的体验质量(QoE)。我们引入了“自进化网络(SENs)”框架的新概念,该框架利用人工智能,由机器学习(ML)算法实现,使未来的集成网络在网络,通信,计算和基础设施节点的移动性的提供,适应,优化和管理方面完全自动化和智能化。为了在未来的综合网络中设想SEN的概念,我们使用智能垂直异构网络(I-VHetNet)架构作为参考。本文讨论了SEN在提供自动化网络管理方面发挥主要作用的五个突出场景。数值结果提供了一个洞察SEN框架如何提高未来的综合网络的性能。本文介绍了领先的使能器,并探讨了与SEN概念在未来综合网络中的应用相关的挑战。
2021-03-10 cs.NI cs.SY eess.SY
5G-Enabled Pseudonymity for Cooperative Intelligent Transportation System
协同智能交通系统(C-ITS)使车辆、路边基础设施和道路使用者之间能够通信,以提高使用者的安全性并有效地管理交通。大多数(如果不是全部)智能车联网(V2X)应用程序通常依赖于连续收集和共享敏感信息,如详细的位置信息,这会引起隐私问题。在这种情况下,隐藏C-ITS车辆长期身份的常见方法是使用多个临时标识符,称为别名。然而,传统的同义词管理方法容易受到链接攻击。将5G网络引入V2X可提高位置准确性、更好的时钟同步、改进基于服务的模块化架构以及增强的安全和隐私保护控制。受上述增强功能的激励,我们研究了支持5G的缩略语,以保护C-ITS中的车辆身份隐私。我们强调的差距,在目前的标准的缩略语管理。我们还提供了关于域名管理生命周期的建议。
2022-03-20 cs.CR cs.NI
Closing the Responsibility Gap in AI-based Network Management: An Intelligent Audit System Approach
University of Guelph(圭尔夫大学)
针对基于AI的网络管理中存在的责任鸿沟问题,本文提出融合DRL与ML模型的智能审计框架,通过模拟环境训练,实现对相关AI管理智能体的责任识别与量化,DRL识别准确率达96%、ML学习网络状况准确率达83%。
2025-02-08 cs.AI cs.NI
Intelligent Active Queue Management Using Explicit Congestion Notification
Department of Electrical and Computer Engineering, Western University(西安大略大学电气与计算机工程学院)
随着越来越多的终端设备连接,互联网将变得更加拥挤。各种拥塞控制技术已经在传输层或网络层上被开发。主动队列管理(AQM)是一种旨在通过主动缓冲区控制来避免网络层拥塞的方法。然而,由于网络的复杂性和动态性,为AQM方案找到正确的参数是具有挑战性的。另一方面,显式拥塞通知(ECN)机制是一种解决方案,其使得网络层上的初始拥塞对传输层可见。在这项工作中,我们提出利用ECN信息,以改善主动队列管理算法,通过应用机器学习技术。我们的智能方法使用人工神经网络预测拥塞和基于强化学习的AQM参数调整器。评估结果表明,我们的解决方案可以提高部署AQM的性能,使用现有的TCP拥塞控制机制。
2019-08-28 cs.LG cs.NI stat.ML
Distributed and Big Data Storage Management in Grid Computing
大数据存储管理是网格计算环境中最具挑战性的问题之一,因为大量数据密集型应用经常涉及高度的数据访问局部性。网格应用程序通常处理大量数据。在传统的方法中,高性能计算包括用于数据存储和数据复制的专用服务器。在本文中,我们提出了一种新的机制,分布式和大数据存储和资源发现服务。提出了一种网格环境下的动态可扩展存储管理(DSSM)体系结构。这允许在网格计算中不仅共享计算周期,而且共享存储空间。可以从任何网格机器透明地访问存储,从而允许在网格用户和应用程序之间轻松地进行数据共享。允许创建虚拟空间的虚拟ID的概念已经被引入和使用。DSSM将所有面向网格的存储设备(节点)划分为多个地理上分布的域,以促进本地化并简化域内存储管理。采用基于网格服务的存储资源,随着需求的增长,将简单的模块化服务逐块堆叠起来。为此,我们提出了四个定义轴:DSSM架构和算法描述,存储资源和资源发现到网格服务,评估目的原型系统,动态,可扩展性和带宽,并讨论结果。在底层和上层的算法标准化的动态和可扩展的存储管理,以及更高的带宽已经设计。
2012-07-12 cs.DC cs.NI
An Intelligent Scheme for Uncertainty Management of Data Synopses Management in Pervasive Computing Applications
University of Thessaly(色萨利大学)
普适计算应用程序处理围绕最终用户的智能组件的合并,以促进他们的活动。这些应用可以在物联网(IoT)和边缘计算(EC)的庞大基础设施上提供。物联网设备收集环境数据,将其传输到EC和云以进行进一步处理。EC节点可以成为各种处理活动发生的分布式数据集的主机。EC的未来涉及许多节点与物联网设备和它们自己以合作的方式进行交互,以实现所需的处理。结束这种合作的方法的一个关键问题是交换的数据概要有EC节点告知他们的同行中存在的数据。这些知识将有助于与处理活动的执行相关的决策制定。在本文中,我们提出了n个不确定性驱动的数据交换模型概要。我们认为,EC节点应延迟交换的概要,特别是当没有显着差异与历史值。我们的机制采用了一个模糊逻辑(FL)系统,以决定当有一个显着的差异与以前的报告概要,以决定交换新的。我们的计划是能够减轻网络从众多的消息检索,即使是低波动的天气。我们分析性地描述了我们的模型,并通过大量的实验来评估它。我们的实验评估目标是检测该方法的效率,该方法基于消除不必要的消息,同时保持立即通知对等节点的分布式数据集中的显著统计变化。
2020-07-24 cs.DC cs.LG cs.NI
Energy and Network Aware Workload Management for Geographically Distributed Data Centers
云服务提供商正在地理上分布数据中心,以通过智能工作负载分配来最大限度地降低能源成本。随着新兴云工作负载中的数据量不断增加,将跨数据中心传输工作负载的网络成本考虑在内至关重要。对于地理分布的数据中心,许多研究人员一直在探索能源成本最小化和智能数据中心间的工作负载分配策略。然而,现有的工作并没有全面和同时考虑数据中心的能源成本,数据传输成本和数据中心的部署延迟。在本文中,我们提出了一种新的基于博弈论的工作负载管理框架,采取整体的方法来云运营成本最小化问题,通过智能调度决策,了解数据传输成本和数据中心的延迟。我们的框架执行智能工作负载管理,考虑数据中心计算能力的异构性,冷却能力,服务器中任务协同定位的干扰影响,使用时间电价,可再生能源,净计量,峰值需求定价分配和网络定价。我们的模拟表明,所提出的博弈论技术可以更有效地减少云运营成本比现有的方法。
2021-05-31 cs.DC cs.GT cs.NI
A Hybrid Cloud Management Plane for Data Processing Pipelines
针对混合云中大数据应用管理复杂的问题,本文提出通用管理平面架构Titchener,通过松耦合本地控制平面与高可用全局管理平面协同,并基于Kubernetes实例化验证了服务发现、网络连接与访问控制等设计。
2025-04-11 cs.DC cs.NI
Online Learning for Intelligent Thermal Management of Interference-coupled and Passively Cooled Base Stations
针对被动冷却基站(PCBSs)在室外散热不确定及多小区干扰耦合下的热管理难题,提出基于软执行器-评论器(SAC)的强化学习在线决策方法,结合拒绝与奖励机制防止过热,在无未来散热先验知识下实现总下行吞吐量最大化,达到全局最优的88.6%。
2024-10-11 cs.NI eess.SP
Towards Intelligent Spectrum Management: Spectrum Demand Estimation Using Graph Neural Networks
Communications Research Centre Canada(加拿大通信研究中心);Carleton University(卡洛尔大学)
本文提出HR-GAT模型,利用图神经网络在多分辨率设置中估计频谱需求,提高频谱管理效率和准确性。
2026-03-11 cs.AI cs.LG cs.NI
Handover Management through Reconfigurable Intelligent Surfaces for VLC under Blockage Conditions
本文针对室内VLC系统在阻塞和用户移动条件下的连接中断问题,提出一种利用可重构智能表面重定向链路的主动切换机制,并通过硬切换和软切换实验证明其在数据速率和切换时延上优于传统无RIS方法。
2024-01-29 cs.ET cs.NI
Sensing as a Service and Big Data
物联网(IoT)将包括数十亿个可以感知、通信、计算和潜在驱动的设备。来自这些设备的数据流将挑战传统的数据管理方法,并为新兴的大数据范式做出贡献。本文讨论了新兴的物联网(IoT)架构,大规模传感器网络应用,联合传感器网络,传感器数据和相关的上下文捕获技术,基于云的管理,存储,归档和处理传感器数据的挑战。
2013-01-02 cs.CY cs.NI
Evacuation Management Framework towards Smart City-wide Intelligent Emergency Interactive Response System
Technology Innovation Institute(技术创新研究院);Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局)
本研究面向智慧城市6G部署,提出协同技术方案构建智能应急交互响应系统,结合AI、ML与传感器融合技术,针对三类日常场景优化应急行动,提升公共服务与居民生活质量。
2024-03-07 cs.AI cs.CY cs.LG
Towards Big data processing in IoT: network management for online edge data processing
Tsinghua University(清华大学);Hong Kong University of Science and Technology(香港科技大学)
数据负载大、覆盖范围广一直是物联网面临的关键问题。然而,在移动边缘计算(MEC)网络中,庞大的数据可以在边缘进行部分处理。本文讨论了一种基于MEC的大数据分析网络。分布式网络终端生成的原始数据由边缘服务器收集和处理。边缘服务器分离出大量冗余数据,并将提取的信息传输到中心云进行进一步分析。然而,考虑到边缘计算能力有限,庞大数据源中的部分原始数据可能会直接传输到云端。为了在线管理有限的资源,我们提出了一种基于李亚普诺夫优化的算法,以联合优化边缘处理器频率,发射功率和带宽分配的政策。该算法的目标是在不知道数据源概率分布的情况下,稳定数据处理延迟和节省能量。所提出的网络管理算法可能有助于未来物联网中的大数据处理。
2019-05-05 cs.AI cs.DC cs.IT
Reflection Resource Management for Intelligent Reflecting Surface Aided Wireless Networks
本文研究了两跳网络中多个单天线源端对采用智能反射面的问题。与以往的IRS研究仅关注IRS中所有反射元件的反射系数的调整不同,本文考虑了真实反射资源管理。具体地说,真正的反射资源管理可以通过触发器模块选择的基础上,我们提出的IRS架构,所有的反射元件的部分控制由多个并行开关的控制器。随着反射元件数量的增加,在这种情况下,由于不可压缩的能量消耗,真正的反射资源管理将变得迫切需要。此外,所提出的模块化结构的IRS的设计,使反射元件部分独立和可控。因此,我们的目标是通过联合触发模块子集选择、ST的发射功率分配以及触发模块的相应被动波束成形来最大化DT处的最小信号与干扰加噪声比(SINR),这取决于每ST功率预算和模块大小约束。而这个问题是NP-难的,由于模块大小的约束,为了处理它,我们转换的硬模块大小的限制到组稀疏的限制,通过引入混合行块范数,这产生了一个合适的半定松弛。此外,提出了并行交替方向乘法器(PADMM)方法来识别触发模块子集,然后通过对广义分式规划进行部分线性化,在不考虑组稀疏约束的情况下,通过求解最小信干噪比最大化问题来获得发射功率分配和无源波束形成。
2020-09-30 cs.IT cs.NI cs.PF
Towards Intelligent Network Management: Leveraging AI for Network Service Detection
Samsung Research America(三星美国研究院);Samsung Electronics Co., Ltd(三星电子有限公司)
本研究提出一种基于机器学习的网络流量分类方法,通过分析流量模式实时识别网络服务,并在Wi-Fi数据集上验证了高准确性,为智能网络管理奠定基础。
2023-10-14 cs.LG cs.NI eess.SP
Wireless Resource Management in Intelligent Semantic Communication Networks
James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院);University of Electronic Science and Technology of China(电子科技大学)
针对智能语义通信异构网络,本文引入知识库与消息系统吞吐量指标,联合优化用户关联和带宽分配,并提出随机规划与启发式算法相结合的两阶段方案。
2022-02-15 cs.AI cs.NI eess.SP
BigBird: Big Data Storage and Analytics at Scale in Hybrid Cloud
Twitter Inc.(推特公司)
大规模实施大数据存储是一项复杂而艰巨的任务,需要先进的基础设施。随着公共云计算的兴起,各种大数据管理服务可以很容易地被利用。作为Twitter“部分多云项目”的重要组成部分,冷存储数据和分析系统正在迁移到公共云。本文展示了我们在Google Cloud Platform中使用BigQuery设计可扩展的大数据存储和分析管理框架的方法,同时确保安全性,隐私性和数据保护。本文还讨论了公共云资源的限制,以及在设计大规模数据存储和分析解决方案时如何有效地克服这些限制。虽然本文讨论了Google Cloud Platform中的框架实现,但它可以很容易地应用于所有主要的云提供商。
2022-03-22 cs.DB cs.DC cs.LG
When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
Sun Yat-sen University(中山大学);Auburn University(奥本大学)
超密集边缘计算(UDEC)具有巨大的潜力,特别是在5G时代,但其当前的解决方案仍然面临挑战,例如缺乏:i)多个5G资源的有效利用(例如,计算、通信、存储和服务资源); ii)低开销卸载决策和资源分配策略;以及iii)隐私和安全保护方案。因此,我们首先提出了一个智能超密集边缘计算(I-UDEC)框架,它将区块链和人工智能(AI)集成到5G超密集边缘计算网络中。首先,我们展示了框架的架构。然后,为了实现实时和低开销的计算卸载决策和资源分配策略,我们设计了一种新的双时标深度强化学习(\textit{2Ts-DRL})方法,分别由一个快速时标和一个慢速时标的学习过程。主要目标是通过联合优化计算卸载、资源分配和服务缓存放置来最小化总卸载延迟和网络资源使用。我们还利用联邦学习(FL)以分布式方式训练\textit{2Ts-DRL}模型,旨在保护边缘设备的数据隐私。仿真结果证实了I-UDEC框架中的\textit{2Ts-DRL}和FL的有效性,并证明我们提出的算法可以减少任务执行时间高达31.87%。
2020-09-22 cs.AI cs.DC cs.NI
Intelligent Task Offloading: Advanced MEC Task Offloading and Resource Management in 5G Networks
Clemson University(克莱姆森大学)
针对5G网络中用户设备任务卸载与资源分配需求,提出融合URLLC、mMTC要求且基于近端策略优化的MEC智能资源分配方法,仿真验证其在时延和功耗上均优于基线模型。
2025-01-08 cs.AI cs.DC cs.NI
Gateway Controller with Deep Sensing: Learning to be Autonomic in Intelligent Internet of Things
University of Stockholm(斯德哥尔摩大学)
物联网(IoT)将通过无处不在的传感来彻底改变未来的互联网。据估计,部署数千亿台设备的挑战之一将是大量数据的增加,以及设备的管理能力。本文提出了一种作为控制器解决方案的方法,专为物联网网关中的自主管理、连接和数据互操作性而设计。该方法支持分布式物联网节点与其他基于云的解决方案进行管理和数据互操作。该概念还允许网关轻松收集和处理来自物联网设备的数据的互操作性。我们证明了该方法的可行性,并评估了其在深度感知和自治网关作为边缘计算智能方面的优势。
2020-09-18 cs.CY cs.LG cs.NI