文献

J-GLOBAL ID：202202260524135566   整理番号：22A0963965

高密度スライスLoRaWANネットワークにおける深層強化学習ベースのリソース割当【JST・京大機械翻訳】

Deep Reinforcement Learning based Resource Allocation in Dense Sliced LoRaWAN Networks

著者 (5件)： Tellache Amine (National Higher School of Computer Science,Algiers,Algeria) ,  Mekrache Abdelkader (University of Poitiers,Poitiers,France) ,  Bradai Abbas (University of Poitiers,Poitiers,France) ,  Boussaha Ryma (National Higher School of Computer Science,Algiers,Algeria) ,  Pousset Yannis (University of Poitiers,Poitiers,France)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： ICCE  ページ： 1-6  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Long-Range広域ネットワーク(LoRaWAN)は,モノのインターネット(IoT)配置における低電力広域ネットワーク(LPWAN)のための急速に拡大している通信システムである。データレート,空気時間,およびエネルギー消費を最適化する適応データレート(ADR)方式を採用した。最近,LoRa Wanネットワークにおけるネットワークスライシング(NS)の利用は広く研究され,文献における最新の研究の最新の話題である。ネットワーク資源は,各スライスに対するサービス(QoS)要求の特定の品質を扱い,サポートするために,孤立方式でIoTデバイスに効率的に割り当てなければならない。しかし,高密度LoRaWANネットワークでは,ADRスキームは,各スライスのQoS要求に応えるために,効率的な資源割当てには不十分である。本論文では,高密度LoRa Wanネットワークにおけるイントラシングリソース割当のためのDRLベースアプローチを提案した。各スライスにおいて,QoS要求に適合するために,Spreading因子(SF)および伝送電力(TP)をIoTデバイスに割り当てるマルチエージェントDRLを実装し,すなわち,QoS要求に従って,各スライスに対して異なる報酬関数設計で,従来のADR方式をマルチエージェントDQNと置き換えた。実際の条件で実現した実験結果は,著者らのアプローチがすべてのスライスに対して既存のADR方式より優れていることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  電力 ,  *ネットワーク ,  *資源割付 ,  通信方式 ,  エネルギー消費 ,  WAN【通信】
準シソーラス用語： データレート ,  高密度 ,  低電力化 ,  ネットワーク資源 ,  マルチエージェント ,  モノのインターネット ,  報酬関数 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： スライス ,  LoRaWAN ,  深層強化学習 ,  リソース割当