MMMar, 2021

在雾计算无线接入网络中学习最优前传和分散边缘计算

PDF
TL;DR本文介绍了一种名为 CECIL 的云端协同学习算法，利用深度神经网络优化 Fog 无线接入网络（FRAN）中的云端和边缘计算，以及前传接口。通过将云和边缘计算纳入联合优化框架，以及使用中央计算和分布式决策，并使用上下行前传协调来实现端到端的训练和去中心化的实时推断。
发现论文，激发创造
  • 面向任务的边缘网络：无线前传的分散学习

    这篇论文研究了任务导向的边缘网络，其中多个边缘物联网节点通过网络云中的强大深度神经网络（DNNs）执行机器学习任务。

    Dec, 2023

  • 雾计算无线接入网络中云和边缘处理的联合优化

    本文研究了云和边缘处理的联合设计，主要集中在设计优化 FRAN（Fog Radio Access Network）中的缓存管理和前传设计等核心问题，以最大化传输速率。

    Jan, 2016

  • 前传受限的云无线接入网络：洞见和挑战

    本文综合地研究了近年来前传受限云无线接入网络的最新进展，包括系统架构和关键技术，其中涉及缓解前传受限对用户的 SE /EE 和服务质量的影响的关键技术，包括压缩和量化、大规模协同处理和聚类以及资源分配优化。此外，本文还指出软件定义网络、网络功能虚拟化和部分集中化等方面存在的开放问题。

    Mar, 2015

  • 基于学习的时延受限前端压缩优化在 C-RAN 中

    通过深度强化学习控制前传带宽压缩，该方法在不同的前传负载水平下实现了显著的前传带宽利用率和空中接口吞吐量提升，并能够满足预定的前传时延约束。

    Nov, 2023

  • 云无线接入网络中波束成形和前传量化的联合优化深度学习方法

    本文研究了基于深度学习的 C-RAN 系统优化问题，提出了通过构建 DNN 模型来解决复杂的协作波束成型和前程量化问题，并验证了该方法的有效性。

    Jul, 2021

  • F-RAN 中的计算卸载和资源分配：一种联邦深度强化学习方法

    本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。

    Jun, 2022

  • 基于深度强化学习的绿色雾计算射频接入网络的模式选择和资源管理

    提出基于深度强化学习 (DRL) 的联合模式选择和资源管理方法，使用智能决策优化 C-RAN 和 D2D 模式下的无线和计算资源，旨在通过边缘缓存状态的动态优化长期减少系统能耗。在模拟中，将学习率和边缘缓存服务能力等参数的影响演示出来，并将该方案与其他不同的方案进行对比展示其有效性，并将迁移学习与 DRL 整合以加速学习过程。

    Sep, 2018

  • 云边协同 AI 推理

    该论文提出了一种基于云无线接入网络（Cloud-RAN）的协作边缘人工智能推理体系结构，通过在远程无线电头（RRH）聚合噪声局部特征向量来提高推理准确性，并通过联合传输预编码、接收波束成形和量化误差控制方案来解决无线通道干扰、传输量化误差等挑战。

    Apr, 2024

  • 多媒体异构云无线接入网络的能效资源分配优化

    本文提出了一种适用于排队感知多媒体异构云射频接入网络（H-CRAN）的节能优化目标函数，以达到同时考虑智能前传容量和跨层干扰约束的最优网络协作波束形成设计算法。该算法实现了加权平均最小平方误差方法，达到了能效和排队延迟之间的平衡，并进一步演示了智能前传约束对此平衡的严格影响。

    Jan, 2016

  • 面向网络优化的雾计算分布式学习

    本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。

    Apr, 2020