Researches on Model-aided Learning Approaches for Reliable Realtime Control in Future Wireless Systems

未来无线系统可靠实时控制的模型辅助学习方法研究

• 批准号: 20H00592
• 负责人: 計 宇生
• 金额: $ 27.04万
• 依托单位: National Institute of Informatics
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (A)
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20H00592/
• 关键词: 次世代無線システム; 実時間制御; 機械学習; 資源割当; 無線通信システム; 無線資源割当; コンテクスト; オフローティング; FPGA

本研究は、次世代無線通信システムとそのアプリケーションを実現するために、無線システムの知的制御と資源割当、および通信・計算・記憶・制御機能の遍在化の課題について取り組むものである。2021年度では、以下の研究項目を実施した。１）無線資源割当：無線通信における制御最適化の課題を解決する効果的な学習方法を検討した。深層強化学習を用いて、ミリ波とギガヘルツ帯域を統合的に利用する次世代無線ネットワークにおいて、利用者のサービス品質を保証しながら、エネルギー消費も抑えられるように、複数のアクセスポイントとの接続を選択する最適化問題を解決した。また、ショートパケットを大量に送信するIoTアプリケーションにおいて、深層学習により無線環境の変動と利用者の品質要求に対応して、異なる無線帯域間の利用者分配と資源割当問題の解決方法を提案した。２）ネットワーク資源のオーケストレーション：SDNなどのネットワークワイドな制御方法について、機械学習を利用したトラフィック予測技術を取り入れたトラフィックエンジニアリング手法を検討し、トラフィック需要に対する予測により、トラフィックの変動による経路変更の回数を大幅に減らし、実トラフィックデータを用いてその有効性を検証した。３）タスクのオフローディングとスケジューリング：ユーザ、エッジ、クラウドなどのノード間の処理、記憶機能の連携と、タスク間の相互関係を意識したタスクのオフローティングとスケジューリングの方法を検討した。また、実時間制御で有効な性能指標である情報の鮮度について考慮し、深層強化学習を利用したモバイルユーザの行動の最適化方法を開発した。４）通信処理とキャッシングの高速化：基地局の負荷低減の方法として、個々のモバイル端末をキャッシュサーバと見なした分散協調キャッシュ方式において、基地局の混雑状況に応じて柔軟にキャッシュ制御を行う方法を検討した。

This study focuses on the realization of the next generation wireless communication system, the control of wireless communication system, resource division, communication, computing, memory and control function. In 2021, the following research projects were implemented. 1) Wireless resource allocation: A study on the problem of optimization of wireless communication. Deep Reinforcement Learning (DRL) is used to optimize the quality of the next generation wireless network and the user's access. A solution to the problem of resource allocation between users of different wireless domains is proposed. 2) The development of resources: SDN production, control methods, machine learning, the use of prediction technology, access to data, prediction methods, search, demand, prediction, change, change. 3) To explore the methods of the process of the change, the memory function and the relationship between the change and the change. The optimization method of time control and performance index is developed by considering the freshness of information and deep reinforcement learning. 4) Speed up of communication processing and network management: Methods of load reduction of base station and methods of network management and network management at the end of base station are discussed.

项目成果

Context-Aware Clustering for SDN Enabled Network

• DOI: 10.1109/icnp49622.2020.9259403
• 发表时间: 2020-10
• 期刊: 2020 IEEE 28th International Conference on Network Protocols (ICNP)
• 作者: Ran Duo;Celimuge Wu;T. Yoshinaga;Yusheng Ji

Multihop Offloading of Multiple DAG Tasks in Collaborative Edge Computing

• DOI: 10.1109/jiot.2020.3030926
• 发表时间: 2021-03
• 期刊: IEEE Internet of Things Journal
• 影响因子: 10.6
• 作者: Yuvraj Sahni;Jiannong Cao;Lei Yang;Yusheng Ji

Task Offloading and Scheduling in MEC

MEC 中的任务卸载和调度

• 发表时间: 2022
• 作者: Shunichi Futatsumori;Takashi Hikage;市原麻衣子;Yusheng Ji
• 通讯作者: Yusheng Ji

Resource Allocation for Multi-access Edge Computing with Coordinated Multi-Point Reception

• DOI: 10.1109/wcnc45663.2020.9120778
• 发表时间: 2020-05
• 期刊: 2020 IEEE Wireless Communications and Networking Conference (WCNC)
• 作者: Jian-Jyun Hung;W. Liao;Yi-Han Chiang

Intelligent Post-Disaster Networking by Exploiting Crowd Big Data

利用人群大数据实现灾后智能组网

• DOI: 10.1109/mnet.011.1900389
• 发表时间: 2020
• 期刊: IEEE Network
• 影响因子: 9.3
• 作者: Xiaoyan Wang;Fangzhou Jiang;Lei Zhong;Yusheng Ji;Shigeki Yamada;Kiyoshi Takano;and Guoliang Xue
• 通讯作者: and Guoliang Xue