数字孪生技术赋能多层计算网络规划
提出了一种基于数字孪生增强的强化学习框架,旨在优化网络资源管理的性能和可靠性,此框架在物理网络中应用传统的强化学习面临多个统一挑战,包括有限的探索效率、收敛速度缓慢、长期性能较差以及在探索阶段的安全问题。
Jun, 2024
利用数字孪生引入空中 MEC 网络,通过生成模型来研究资源联合合作方法,提出了一个由应用平面、物理平面和虚拟平面组成的新型网络框架,将任务分配问题简化为具有线性约束条件的凸优化规划,并提出基于可转让效用的联盟博弈来获取近似最优解,数值结果表明了我们提出方法在能源消耗和资源利用方面的有效性。
Mar, 2024
VH-Twin 是一个基于时间序列数据驱动的框架,通过竖直同构和水平同构阶段,以及基于地理和无线特性的网络区域的周期性聚类机制,有效地将无线网络映射到数字现实中。通过使用实际的无线网络流量数据,在细胞无线网络中进行综合实验,验证了 VH-Twin 构建、部署和维护网络数字孪生的有效性。参数分析还提供了在规模上在孪生效率和模型准确性之间取得平衡的见解。
Apr, 2024
本论文提出了一种基于深度学习的移动边缘计算系统,旨在通过优化用户关联、资源分配和卸载概率来最小化归一化能量消耗,并考虑服务质量要求。仿真结果表明,相比现有方法,我们的方法可以实现更低的归一化能量消耗,并具有更少的计算复杂度。
Jun, 2019
提出了一种新的可重构智能表面(RIS)辅助、用户为中心的无线接入系统,通过数字孪生管理。该文档设计了一个新的学习框架,通过联合优化接入点和用户关联、功率控制和 RIS 波束成形来最大化总和速率,以提高 UCCF 系统的性能,此框架优于其他方法。
Feb, 2023
本文提出了一种数字孪生(DT)辅助的任务卸载框架,用于移动边缘计算卸载策略的优化,基于预测未来计算任务的学习方案,将卸载调度过程建模为马尔可夫决策过程(MDP),以在延迟、能耗和云租用成本之间平衡,以获得最优卸载策略。
Dec, 2021
互联需求的剧增导致物联网(IoT)传感器过量。为了满足大规模网络的管理需求,如准确的监测和学习能力,数字孪生是关键驱动因素。然而,由于物联网网络的连续连接要求,目前对数字孪生的实施尝试仍然不足。为了应对这些挑战,我们提出了一种数字孪生本地 AI 驱动的服务架构,以支持物联网网络概念。在提出的数字孪生本地架构中,我们实现了基于 TCP 的数据流水线和基于强化学习的学习模型。我们将该架构应用于物联网网络的一个广泛概念,即车联网。我们测量了我们提出的架构的效率,并注意到由于基于 TCP 的数据流水线而节约了约 30%的处理时间。此外,我们通过应用多种学习速率组合来测试学习模型的性能,并强调最成功的模型。
Nov, 2023
网络切片通信系统通过动态和高效地分配资源来满足各种服务的需求。本文提出了一种由数字孪生和强化学习代理构成的框架来处理资源分配的问题,并验证了该框架的可扩展性,展示了数字孪生对切片优化策略性能的显著改进。
Nov, 2023
使用可扩展的建模框架提出了数字孪生导向的复杂网络系统,以生成真实系统的网络。通过节点的特征和交互规则来创建连接,实验结果表明结构和动力学的复杂性水平影响网络增长和流行病传播,应针对具有优先特征的节点制定灾难恢复策略和流行病控制。
Aug, 2023
数字孪生网络在网络编排、资源管理和人工智能模型训练及智能推理等方面具有重要作用,是实现 6G 网络的关键技术之一。本文探讨数字孪生网络与人工智能相互促进的机制,并为探索数字孪生网络与人工智能的未来研究方向提供参考。
Sep, 2022