Scheduling Low Latency Traffic for Wireless Control Systems in 5G Networks
我们考虑在无线通信链路上分配5G无线电资源以控制工业环境中常见的一系列独立的低延迟无线控制系统的问题。每个控制系统向基站发送状态信息,以在严格的等待时间要求下计算控制信号。可以通过将上行链路业务限制到每个5G帧中的单个子帧来满足这种延迟要求,从而确保毫秒延迟界限,同时留下剩余子帧可用于调度开销和共存的宽带业务。线性分配问题可以被公式化以最小化分组丢弃的预期数量,但是仅这一点不足以实现良好的性能。我们提出了一个最佳的调度控制操作成本,根据当前的控制系统的需求分配资源。在模拟实验中测试了由此产生的控制感知调度方法,这些实验表明,在所提出的时间切片帧结构下,相对于控制不可知调度,5G设置中的性能得到了大幅改善。
2019-10-30 cs.NI eess.SP
Scheduling in Wireless Networks with Spatial Reuse of Spectrum as Restless Bandits
研究了在采用频谱空间复用的无线网络中,以最小化用户能量消耗和数据传输时延为目标的分组传输调度问题。我们使用Whittle指数理论来处理这个问题,该理论用于使不安分的强盗的成本最小化,该理论已被用于有效地解决各种应用中的问题。我们设计了两个Whittle指数为基础的政策,第一个通过处理代表网络的图作为一个集团,第二个基于干扰的限制来自原始图。我们评估这两个政策的性能,通过广泛的模拟,在平均成本和数据包丢失,并表明,他们优于著名的时隙ALOHA和最大权重调度算法。
2020-06-08 cs.NI eess.SP
Channel-Dependent Scheduling in Wireless Energy Transfer for Mobile Devices
谐振波束充电(RBC)是无线功率传输(WPT)技术,可为物联网(IoT)设备提供大功率、远距离、移动和安全的无线充电。支持多个物联网设备同时充电是RBC系统的一个重要功能。为了优化多用户充电性能,应该调度发射功率以同时为所有IoT设备充电。为了让所有物联网设备尽可能长时间地工作以实现公平性,我们提出了先接入先收费(FAFC)调度算法。然后,我们制定了定量的调度参数的算法实现。最后,我们分析了FAFC调度算法的性能,考虑的影响,接收机数量,发射功率和充电时间。在此基础上,总结了提高多物联网设备WPT性能的方法,包括限制接收端数量、提高发射功率、延长充电时间和提高单用户充电效率。FAFC调度算法设计和分析为多用户RBC系统提供了一个公平的WPT解决方案。
2020-04-14 cs.NI eess.SP
Control-Aware Scheduling for Low Latency Wireless Systems with Deep Learning
我们考虑在低延迟无线通信链路上调度传输以控制各种控制系统的问题。低延迟要求对于开发用于工业控制和触觉互联网的无线技术至关重要,但在保持可靠性能的同时也具有内在的挑战性。超可靠低延迟通信的替代方案是可靠性适应控制系统需求的框架。我们制定的控制感知调度问题作为一个约束的统计优化问题,其中最佳的调度程序是当前的控制和信道状态的函数。调度器使用深度神经网络进行参数化,并且使用原始-对偶学习的技术来解决约束问题,这些技术具有必要的无模型属性,因为它们不需要明确的信道模型,性能指标或系统动态知识来执行。由此产生的控制感知深度调度器进行评估,在实证模拟和强大的性能相对于其他无模型启发式调度方法。
2019-10-30 cs.SY eess.SP eess.SY
Optimization of Scheduling in Wireless Ad-Hoc Networks Using Matrix Games
在本文中,我们提出了一种新的应用矩阵博弈论的无线ad-hoc网络中的链路调度优化。通过网络图的软着色实现最优调度。传统的着色方案是基于一个颜色分配给每个区域或等价地每个链接是一个部分拓扑的成员。这些算法的基础上着色是不是最佳的链路时,不以相同的速率激活。软着色,本文介绍,解决了这个问题,并提供任何请求的链路使用率的最佳解决方案。为了定义最优调度的博弈模型,首先确定图的所有可能的组件。组件被定义为可以同时激活而不会受到相互干扰的无线链路的集合。然后,通过在具有适当频率(使用率)的组件之间切换,实现最佳调度。我们称这种调度为软着色,因为在不同的时间段中,任何链路都可以是多个部分拓扑的成员。为了简化这个问题,我们模型之间的关系的链路速率和组件的选择频率的矩阵游戏,提供了一个简单而有用的工具来简化和解决这个问题。提出的博弈论模型是用虚拟博弈方法求解的。仿真结果证明了所提出的技术的效率相比,传统的基于着色的调度
2018-03-10 cs.GT cs.NI eess.SP
Minimum Length Scheduling for Discrete-Rate Full-Duplex Wireless Powered Communication Networks
在本文中,我们考虑了一个无线供电的通信网络,其中多个用户与RF能量收集能力的通信,以全双工模式的混合能源和信息接入点(HAP)。每个用户必须使用其电池中最初可用的能量和其可以收获的能量,以来自离散速率水平的有限集合的传输速率传输一定量的数据,直到其传输结束。考虑到这个模型,我们提出了一种新的离散速率为基础的最小长度调度问题,以确定最佳的功率控制,速率自适应和传输调度的数据,能量因果关系和最大发射功率约束。所提出的优化问题被证明是NP难的,需要指数时间算法来解决全局最优。作为一种解决策略,首先,我们证明了功率控制和速率自适应,调度问题可以单独解决的最优解。对于功率控制和速率自适应问题,我们推导出最佳的解决方案,建议的最小长度调度时隙定义的基础上。对于调度,我们分类的基础上,随着时间的推移,用户的最小长度调度时隙的分布问题。对于非重叠时隙的情况下,我们提出了最优调度算法。对于重叠场景,我们提出了一个多项式时间启发式调度算法。
2020-02-13 cs.IT eess.SP math.IT
LoFi User Scheduling for Multiuser MIMO Wireless Systems
针对多用户 MIMO 无线系统,提出基于猜测与检验程序的 LoFi 用户调度算法,支持不可微目标函数,在 mmWave 场景下以更低复杂度和误码率超越现有算法。
2024-01-08 cs.IT eess.SP math.IT
Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels
University of Pennsylvania(宾夕法尼亚大学)
我们考虑无线干扰网络中的二进制功率控制或链路调度问题,其中功率控制策略使用图表示学习进行训练。我们利用无线网络的干扰图作为图形神经网络(GNN)骨干的底层拓扑结构,它将信道矩阵转换为所有发射机-接收机对的一组节点嵌入。我们展示了如何通过多种方式训练节点嵌入,包括通过监督,无监督和自监督学习,并比较了不同监督级别对这些方法在系统级吞吐量,收敛行为,样本效率和泛化能力方面的性能的影响。
2021-10-04 cs.IT cs.LG eess.SP
Multi-Sensor Scheduling for Remote State Estimation over Wireless MIMO Fading Channels with Semantic Over-the-Air Aggregation
EURECOM(欧洲通信研究所);University of Granada(格拉纳达大学)
本文提出了一种基于语义空中聚合的多传感器调度方法,通过动态规划和正半定锥分解,实现无线MIMO衰落信道中的高效远程状态估计。
2026-02-04 cs.SY eess.SP eess.SY
Data Age Aware Scheduling for Wireless Powered Mobile-Edge Computing in Industrial Internet of Things
无线供电的移动边缘计算已被设想为一种有前途的范例,以增强工业物联网中低功耗无线设备的计算能力。在这种情况下,由于随机业务到达,时间耦合的上行链路/下行链路决策和不完整的系统状态知识,一个有效的资源调度方法是至关重要的,但具有挑战性的设计。为了应对这些挑战,本文提出了一种在线优化算法,以最大限度地提高长期系统效用平衡吞吐量和公平性,受数据年龄和稳定性约束。设计了一组虚拟队列,将时间相关的数据年龄约束难以求解的调度任务转化为随机优化问题。利用李雅普诺夫和凸优化技术,该方法可以在没有任何先验统计知识的情况下实现渐近近优的在线决策,并在存在部分和过时的网络状态信息的情况下保持渐近最优性。数值仿真验证了理论分析的正确性,并证明了该方法的有效性。
2020-04-27 cs.SY eess.SP eess.SY
Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learning
Hitachi (China) Research & Development Cooperation(日立(中国)研发有限公司)
在联邦学习(FL)中,设备通过经由无线信道上传其本地模型更新来为全局训练做出贡献。由于有限的计算和通信资源,设备调度对FL的收敛速度至关重要。在本文中,我们提出了一种联合设备调度和资源分配策略,以在给定的总训练时间预算内最大化延迟受限的无线FL的模型精度。训练性能损失的倒数的下限,根据训练轮的数量和每轮调度的设备的数量,导出。在此基础上,将精度最大化问题分解为两个子问题进行求解。首先,给定被调度的设备,最优带宽分配建议将更多带宽分配给具有较差信道条件或较弱计算能力的设备。然后,引入贪婪设备调度算法,在每一步中选择消耗最少更新时间的设备,直到最优带宽分配的下限开始增加,这意味着调度更多的设备会降低模型的准确性。实验结果表明,该策略优于国家的最先进的调度策略下,广泛的数据分布和细胞半径的设置。
2020-07-14 cs.IT cs.LG cs.NI
MAxLM: Multi-Agent Language Model-Based Scheduling and Resource Allocation in MU-MIMO-OFDMA-Enabled Wireless Networks
University of Louisville(路易斯维尔大学)
本文提出MAxLM框架,利用预训练语言模型优化无线网络的上行调度接入,通过WiSER平台实现自主调度与资源分配,实验表明其在不同STA数量和天线设置下均优于基准方法。
2026-05-15 cs.MA cs.NI eess.SP
Scheduling Policies for Federated Learning in Wireless Networks
受无线用户设备(UE)的计算能力增加的推动,随着智能手机、平板电脑或车辆的普及,以及对共享私人数据的日益关注,出现了一种新的机器学习模型,即联邦学习(FL),其允许在中央单元处解耦数据采集和计算。与在数据中心进行的集中式学习不同,FL通常在无线边缘网络中运行,其中通信介质资源受限且不可靠。由于有限的带宽,在每次迭代时,只能调度一部分UE进行更新。由于无线介质的共享性质,传输会受到干扰,并且无法得到保证。FL系统在这种环境下的性能还不清楚。在本文中,一个分析模型来描述FL在无线网络中的性能。特别是,听话的表达式推导出FL在无线设置的收敛速度,占调度方案和小区间干扰的影响。使用开发的分析,三种不同的调度策略,即,随机调度(RS)、轮询(RR)和比例公平(PF)在FL收敛速度方面进行了比较。结果表明,运行FL与PF优于RS和RR,如果网络是在一个高的信号与干扰加噪声比(SINR)阈值下工作,而RR是更可取的,当SINR阈值较低。此外,FL收敛速率随着SINR阈值的增加而迅速降低,从而证实了更新参数的压缩和量化的重要性。分析还揭示了在固定量的可用频谱下调度的UE的数量和子信道带宽之间的权衡。
2019-10-09 cs.IT eess.SP math.IT
Minimum Length Scheduling for Full Duplex Time-Critical Wireless Powered Communication Networks
射频(RF)能量收集是实现时间关键型无线供电通信网络的永久寿命的关键,这是由于对能量传输的完全控制、远场区域、小且低成本的电路。在本文中,我们提出了一种新的最小长度调度问题,以确定最佳的功率控制,时间分配和传输时间表的数据,能量因果关系和最大发射功率约束在全双工无线供电通信网络。我们首先制定的问题作为一个混合整数非线性规划问题,并推测该问题是NP-难的。作为一种解决策略,我们证明了功率控制和时间分配,调度问题可以单独解决的最优解。对于功率控制和时间分配问题,我们利用Karush-Kuhn-Tucker条件得到了最优解。对于调度,我们引入了一个罚函数,允许重新制定为一个总和惩罚最小化问题。基于惩罚函数的特点推导出最优性条件,提出了两种多项式时间启发式算法和一种采用智能剪枝技术的降低复杂度的精确算法.通过大量的模拟,我们说明了所提出的启发式计划优于先前提出的计划,为预定的用户传输顺序,并实现接近最优的解决方案。
2020-06-21 cs.IT eess.SP math.IT
Optimal On-Off Transmission Schemes for Full Duplex Wireless Powered Communication Networks
在本文中,我们考虑了一个全双工无线供电通信网络,多个用户与无线电频率能量收集能力进行通信的能量广播混合接入点。我们调查的最小长度调度和总和吞吐量最大化问题,考虑开关传输方案,用户要么在一个恒定的功率发送或保持沉默。针对最小长度调度问题,提出了一种多项式时间最优调度算法。对于总吞吐量最大化,我们首先推导出最优调度的特性,然后为了避免难以处理的复杂性,我们提出了一个多项式时间的启发式算法,通过数值分析表明,该算法执行近最优。
2020-02-10 cs.SY eess.SP eess.SY
Spatial Deep Learning for Wireless Scheduling
University of Toronto(多伦多大学)
在密集的无线网络中,全频率复用的干扰链路的优化调度是一个具有挑战性的任务。传统的方法是首先估计所有的干扰信道强度,然后根据模型优化调度。然而,这种基于模型的方法是资源密集型的并且计算上困难,因为信道估计在密集网络中是昂贵的;此外,找到所得到的优化问题的甚至局部最优解在计算上也可能是复杂的。本文表明,通过使用深度学习方法,可以绕过信道估计,并仅基于发射机和接收机的地理位置有效地调度链路,因为在许多传播环境中,无线信道强度在很大程度上是距离相关路径损耗的函数。这是通过在随机部署的网络上进行无监督训练来实现的,并且通过使用一种新型的神经网络架构来计算干扰或被干扰的相邻节点的地理空间卷积以及随后的多个反馈阶段来学习最佳解决方案。由此产生的神经网络提供了接近最佳的性能和速率最大化,并能够推广到更大的部署区域和部署不同的链路密度。此外,为了提供公平性,本文提出了一种新的调度方法,利用明智地选择的子集的链路的最大化的比例公平性目标在网络上的最优调度算法的和速率。所提出的方法具有很强的竞争力和推广的网络效用最大化的结果。
2021-02-04 cs.IT cs.LG eess.SP
Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks
Department of Electrical Engineering (ISY), Linköping University(电气工程系(ISY),林奈大学)
本文提出了一种基于无线网络的异步联邦学习调度与聚合设计,通过信道感知数据重要性调度策略和年龄感知聚合设计,提升模型收敛性能和学习效果。
2025-12-03 cs.DC cs.IT cs.LG