计算机科学
Computer Science
人工智能
Artificial Intelligence
计算与语言
Computation and Language
计算复杂性
Computational Complexity
将基站分类为离散RAN函数,给移动网络带来了新的威胁,因为一个RAN函数的故障可能会触发级联故障并破坏整个功能链,影响网络性能并导致中断。 在本文中,我们提出了第一个弹性机制,利用RAN功能的自适应位置,以减轻基础设施受损时的破坏和恢复服务连续性。 我们的模型检测因层叠故障而中断的 RU,通过在替代云位置重新固接 CU 和 DU 来做出反应,并通过重建功能链恢复服务连续性。 我们将这种恢复过程作为一个优化问题,在考虑基础设施的计算和通信限制的同时,最大限度地提高故障后网络性能。 我们在多个故障情景下对现实世界移动网络拓扑结构的方法进行了数值评估,并证明与传统的弹性机制相比,我们的解决方案可恢复高达70%的吞吐量。
第五代(5G)和超越5G(B5G)网络中的服务定制在很大程度上依赖于网络切片,该网络在共享物理基础设施上创建多个虚拟网络,满足不同应用程序的特定需求,使用软件定义网络(SDN)和网络功能虚拟化(NFV)。 当务之急是确保网络服务满足各种应用程序和用户的性能和可靠性要求;因此,服务保证是网络切片的关键组件之一。 网络切片的关键功能之一是能够扩展虚拟化网络功能(VNF),以应对不断变化的资源需求,并满足客户服务级别协议(SLA)。 在本文中,我们引入了一种用于端到端网络编排的主动闭环算法,旨在提供5G和B5G网络中的服务保证。 我们专注于动态扩展资源,以满足每个网络切片特有的关键绩效指标(KPI),并在多个切片中并行运行,使其可扩展,并能够完全自动管理实时服务保证。 通过我们的实验,我们证明提出的算法有效地满足了不同网络切片类型的服务保证要求,从而最大限度地减少了网络资源利用率,减少了备用资源的过度配置。
本文探讨了能源意识策略在跨异构边缘云基础设施部署应用中的作用。 它提出了在计算和网络层面注入现有调度方法能源指标的方法,以优化资源分配和降低能源消耗。 拟议的方法使用基于ARM设备的真实测试平台进行实验评估,将能耗和工作负载分布与标准Kubernetes调度进行比较。 结果表明能源效率的不断提高,特别是在高负载情景下,突出了将能源意识纳入更可持续的云原生计算的编排流程的潜力。
本文探讨了个体企业家如何在人工智能(AI)代理日益塑造的时代将创意转化为成功的独创企业。 它强调了连接个人愿景,结构化实验和持久价值创造的关键步骤,并展示了人工智能代理如何在整个旅程中充当数字联合创始人。 在创业,创造力和创新研究的基础上,我们提出了一个具有三个关键阶段的框架:(1)想象塑造,其中模糊的目标成为明确的价值主张,由人工智能代理支持,有助于市场扫描,思想完善和快速概念生成; (2)现实测试,通过低成本实验,结构化反馈循环和高效执行测试这些想法,人工智能代理将自动化任务,如原型设计,内容创建,客户交互和数据分析; (3)并通过自主或半自主的AI工作流程进行优化。 我们专注于独行创业的具体背景,其特点是人力资源有限,决策责任完全,创始人的身份与业务之间有很强的关联。 该框架明确了关键有利因素,如心理适应性、有效规划和数字生态系统中成功的人类-人工智能协作。 它还深思熟虑地解决了持续的挑战,如不确定性和认知过载,这些挑战因我们不断的连通性而加剧。
本研究旨在实现边缘域的数据包处理机制,同时保持网络透明度,以适应智能社区的不同服务需求。 由于传统的流量控制(基于每个数据包)运行,缺乏灵活性,我们提出了一种基于内容的细粒度流管理方法,可以在数据包中的单个内容段的级别进行控制。 此外,我们引入了一个路径外透明的附加组件架构,以解决传统透明附加组件的局限性,这些附加组件假定在主路径上存在处理资源。 拟议的系统采用一种选择性内容掩蔽方法,采用两种方法进行脱轨匿名。 此外,我们还开发了一个动态重写 Ack 和 Seq 号的机制,以保持 TCP 会话的完整性。 拟议的方法在Mininet上实施和评估,结果表明,在保持网络透明度的同时,可以实现有效的流量管理,对网络延迟的影响最小。
本文介绍了Tele-LLM-Hub,这是一种用户友好的低代码解决方案,用于快速原型制作和部署为5G及其他地区量身定制的上下文感知多智能(MA)大语言模型(LLM)系统。 随着电信无线网络变得越来越复杂,智能LLM应用程序必须共享对网络状态的特定理解。 我们建议TeleMCP,电信模型上下文协议,以实现电信环境中代理之间的结构化和上下文丰富的通信。 Tele-LLM-Hub通过低代码界面实现TeleMCP,该界面支持代理创建,工作流程组合以及与软件堆栈(如srsRAN)的交互。 关键组件包括直接聊天界面、预构建系统的存储库、利用RANSTRUCT框架进行微调的Agent Maker以及用于编写MA工作流程的MA-Maker。 Tele-LLM-Hub的目标是使情境感知MA系统的设计民主化,并加速下一代无线网络的创新。
随机动态匹配问题最近因其多样化的应用而引起随机建模社区的关注,例如供应链管理和肾脏交换计划。 在本文中,我们研究了一个匹配的问题,即不同类别的项目根据独立的Poisson过程到达。 不匹配的项目存储在队列中,项目之间的兼容性由一个简单的图形表示,如果它们的类是连接的,可以匹配项目。 我们在稳定性、延迟和长期匹配率优化方面分析匹配策略。 我们的方法依赖于保护方程,它确保了在任何稳定系统中到达和离开之间的平衡。 我们的主要贡献如下。 我们在稳定策略的存在、保护方程的求值集的维度和兼容性图的结构之间建立了联系。 我们描述了由保护方程的非负解形成的凸多顶,我们设计的策略可以实现或接近这个多顶点的顶点。 最后,我们讨论我们的结果超出本文主要假设的潜在扩展。
当前移动网络中日益拥堵需要创新的解决方案。 本文探讨了毫米波5G网络在城市环境中的潜力,重点是集成接入和回程(IAB)和智能无线电环境(SRE)。 mmWave流量将主要由短爆发组成,以传输大量数据和处理数据的长空期。 这必须改变移动无线电网络的设计方式。 在这种程度上,我们提出了网络规划模型,利用可实现的峰值吞吐量的最大化。 结果突出了这种方法在网络规划阶段的优势,提供了在不牺牲整体网络容量的情况下更好地满足移动流量需求的见解。
由于其静态协议设计,IEEE 802.11(又名Wi-Fi)信道接入缺乏适应动态网络条件的适应性,导致频谱利用率低,不必要的争合和分组碰撞。 本文研究强化学习(RL)解决方案,以优化Wi-Fi的中等访问控制(MAC)。 特别是,建议使用多臂匪徒(MAB)框架进行动态通道访问(包括主通道和通道宽度)和争量窗口(CW)调整。 在这个设置中,我们研究相关的学习设计原则,例如采用联合或因子动作空间(分别由单个代理(SA)和多个代理(MA)处理)以及纳入上下文信息的重要性。 我们的模拟结果表明,合作MA架构比SA架构更快地收敛,因为代理在较小的动作空间上运行。 另一个关键见解是,上下文MAB算法始终优于非上下文算法,突出了在动作选择中利用侧信息的价值。 此外,在多人游戏设置中,结果表明分散的学习者可以实现隐式协调,尽管他们的贪婪可能会降低共存网络的性能并诱发策略追逐动态。 总体而言,这些发现表明,基于MAB的学习为静态IEEE 802.11协议提供了一种实用和自适应的替代品,从而实现了更高效和智能的频谱利用。
互联网测量研究面临无障碍危机:复杂的分析需要定制集成多个需要专业领域专业知识的专门工具。 当网络中断发生时,运营商需要跨越基础设施映射、路由分析和依赖建模的快速诊断工作流程。 然而,开发这些工作流程需要专业知识和大量的手工努力。 我们介绍了ArachNet,这是第一个证明LLM代理可以独立生成模仿专家推理的测量工作流程的系统。 我们的核心见解是,测量专业知识遵循可预测的组合模式,可以系统地自动化。 ArachNet通过四个专业代理来操作,这些代理反映了专家工作流程,从问题分解到解决方案实现。 我们通过逐步具有挑战性的互联网弹性场景验证ArachNet。 该系统独立生成与专家级推理相匹配的工作流程,并产生类似于专业解决方案的分析输出。 生成的工作流程处理复杂的多框架集成,传统上需要几天的手动协调。 ArachNet通过自动化专家使用的系统推理过程来降低测量工作流程构成的障碍,使更广泛的访问复杂的测量能力,同时保持研究质量分析所需的技术严谨性。
随着日益复杂的网络安全威胁和对网络自动化的需求不断增长,自主网络安全机制对于保护现代网络至关重要。 物联网(IoT)系统的快速扩展放大了这些挑战,因为资源受限的物联网设备需要可扩展和高效的安全解决方案。 在这项工作中,提出了利用自动机器学习(AutoML)和多目标优化(MOO)的创新入侵检测系统(IDS),用于在现代网络环境中进行自主和优化的网络攻击检测。 拟议的IDS框架集成了两个主要创新技术:优化的重要性和基于百分比的自动功能选择(OIP-AutoFS)和优化的性能,信心和基于效率的组合算法选择和超参数优化(OPCE-CASH)。 这些组件优化了特征选择和模型学习过程,以在入侵检测有效性和计算效率之间取得平衡。 这项工作提出了第一个IDS框架,该框架集成了所有四个AutoML阶段,并采用多目标优化,共同优化检测有效性,效率和部署在资源受限系统中的信心。 对两个基准网络安全数据集的实验评估表明,拟议的MOO-AutoML IDS优于最先进的IDS,为网络的自主,高效和优化安全建立了新的基准。 旨在支持具有资源限制的物联网和边缘环境,建议的框架适用于各种网络环境中的各种自主网络安全应用。
软件服务对于可靠的通信和网络至关重要;因此,站点可靠性工程(SRE)对于确保这些系统保持可靠并在云原生环境中表现良好非常重要。 SRE利用Prometheus和Grafana等工具来监控系统指标,定义关键服务水平指标(SLI)和服务水平目标(SLO),以保持高服务标准。 然而,由于许多开发人员往往缺乏对这些工具的深入了解以及定义适当的SLI和SLO所涉及的复杂性,因此出现了一个重大挑战。 为了弥补这一差距,我们提出了一个名为SRE-Llama的新型SRE平台,由生成式AI,Federated Learning,Blockchain和Non-Fungible Tokens(NFT)增强。 该平台旨在自动化和简化监控、SLI/SLO生成和警报管理的过程,为开发人员提供易用性和实用性。 该系统通过从云原生服务中捕获指标并将其存储在时间序列数据库中(如Prometheus和Mimir)来运行。 利用这些存储的数据,我们的平台采用Federated Learning模型,为不同的服务和SLO确定最相关和最具影响力的SLI指标,解决有关数据隐私的问题。 随后,微调Meta的Llama-3 LLM用于根据这些已确定的SLI指标智能生成SLI,SLO,错误预算和相关警报机制。 我们平台的一个独特方面是将生成的SLI和SLO编码为NFT对象,然后存储在区块链上。 此功能提供不可变的记录保存,便于轻松验证和审计 SRE 指标和目标。 拟议平台的自动化由区块链智能合约管理。 拟议的SRE-Llama平台原型已经实现,其用例具有定制的Open5GS 5G Core。
本文报告了冯·诺依曼启发的可重新配置的容错多处理器用于神经网络(NN)训练工作流程的三项计算实验。 这些实验旨在证明拟议的可重新配置的多处理器架构的可行性,用于不定期的工作流程,具有适应性。 还讨论了与MLIR编译器的潜在集成,用于将各种加速器硬件集成到现有实际应用中。
QUIC是一种先进的传输层协议,其在互联网上的普遍性现在非常明显。 重要的是,QUIC为下一代网页浏览提供了动力:HTTP/3。 QUIC是一种有状态和连接导向的协议,提供与TCP和TLS组合类似的功能(以及更多)。 读者在了解QUIC时可能会遇到几个困难:i.)它的快速演变(特别是QUIC标准和现在弃用的Google QUIC之间的区别),ii.)许多RFC的组织,语言和细节可能对休闲读者具有挑战性,iii.)QUIC的跨层和以隐私为中心的实现的性质,使得仅通过查看数据包来理解或调试。 由于这些原因,本文的目的是以完整但平易近人的方式呈现QUIC,从而将协议与其规范区分开来。
本文解决了混合物联网(IoT)网络中将光无线通信(OWC)与射频(RF)集成的双技术调度问题。 我们首先制定混合整数非线性编程(MINLP)模型,该模型共同考虑在能源和链路可用性约束下,在接入点和物联网节点之间的吞吐量最大化和延迟最小化。 然而,考虑到大规模解决这种NP难题的棘手性和全通道可观测性的不切实际的假设,我们提出了双图形嵌入与变压器(DGET)框架,这是一种监督的多任务学习架构,将双阶段图形神经网络(GNN)与基于变压器的编码器相结合。 第一阶段采用转导式GNN,对已知的图形拓扑和初始节点和链路状态进行编码。 第二阶段引入了用于时间改进的归纳式GNN,该阶段通过一致性损失将它们与地面真实调度决策保持一致,将这些嵌入推广到同一网络的进化状态,通过一致性损失来捕获能量和队列动力学的变化。 然后,这些丰富的嵌入由分类器处理,用于使用 Transformer 编码器的通信链路,该编码器通过分类损失通过多头自注意捕获跨链路依赖关系。 模拟结果表明,混合RF-OWC网络通过更有效地处理更高的流量负载并将信息时代(AoI)降低高达20%,同时保持可比能耗,从而优于独立的RF系统。 与传统基于优化的方法相比,拟议的DGET框架实现了近乎最优的调度,分类精度超过90%,降低了计算复杂性,并在部分通道可观察性下展示了更高的鲁棒性。
最近,深度学习(DL)技术被用于用户设备(UE)定位。 然而,这些模型的主要缺点是:i)它们对整个输入具有相同的关注度;ii)它们不适合非顺序数据,例如,当只有瞬时通道状态信息(CSI)可用。 在此背景下,我们提出了一个基于注意力的视觉变压器(ViT)架构,该架构侧重于CSI矩阵中的角度延迟配置文件(ADP)。 我们的方法在“DeepMIMO”和“ViWi”射线跟踪数据集上进行了验证,在室内实现了0.55m的根均方误差(RMSE),在DeepMIMO的室外实现了13.59m,在ViWi的室外阻塞场景中实现了3.45m的根均方误差(RMSE)。 拟议的计划比最先进的计划高出38%。 它还比我们在误差距离分布方面考虑的其他方法要好得多。
下一代(NG)无线网络必须采用先天智能,以支持要求苛刻的新兴应用,如扩展现实和自主系统,在超可靠和低延迟要求下。 捏捏天线(PAs)是一种新的柔性低成本技术,可以通过按需动态激活沿波导的小型介电夹子来创建视线链路。 作为引人注目的补充,人工智能(AI)提供了管理这些动态环境中PA激活位置和资源分配的复杂控制所需的智能。 本文探讨了AI和PA之间的“双赢”合作:AI促进了沿波导的PA激活位置的自适应优化,而PA支持联合学习和空中聚合等边缘AI任务。 我们还讨论了有前途的研究方向,包括大型语言模型驱动的PA控制框架,以及PA-AI集成如何推进语义通信,以及集成传感和通信。 这种协同作用为自适应、弹性和自我优化的NG网络铺平了道路。
尽管多智能体强化学习(MARL)在无线用例(如中等访问控制(MAC)方面具有优势,但它们在物联网(IoT)中的实际应用受到其示例效率低下的阻碍。 为了减轻这一挑战,人们可以利用基于模型的强化学习(MBRL)解决方案,然而,传统的MBRL方法依赖于无法解释且无法推理的黑箱模型。 相反,在本文中,通过利用因果学习工具开发基于因果模型的MARL框架。 特别是,提出的模型可以使用结构因果模型(SCM)和基于注意力的推理网络明确地表示网络变量之间的因果依赖。 然后开发可解释的因果模型,以捕获MAC控制消息如何影响观测,传输操作如何决定结果,以及通道观察如何影响奖励。 然后使用数据增强技术,使用学习的因果模型通过近端策略优化(PPO)生成合成部署。 分析结果表明,因果MBRL相对于黑盒方法的指数样本复杂性增益。 广泛的模拟表明,平均而言,拟议的方法可以减少58%的环境相互作用,并且与无模型基线相比产生更快的收敛。 拟议的方法本质上也被证明是通过基于注意力的因果归因提供可解释的调度决策,揭示哪些网络条件推动了该策略。 由此产生的样品效率和可解释性的结合使因果MBRL成为资源受限无线系统的一种实用方法。
由于6G车辆网络中QoS要求更加严格,能源和延迟预算之间的权衡正在变得显著。 然而,通过新的车辆到所有车辆(V2X)功能,全面研究6G车辆网络的能源和延迟预算之间的权衡仍然没有得到探索。 本文提出了一种新的多跳多路径车辆网络,共同优化了跨候选路线和每链路传输功率的车辆流量,以实现低延迟和低功耗通信。 之后,我们根据提议的6G V2X架构正式化了两个互补的问题公式(最小延迟和最小功率),并提供了充分的条件。 通过精心设计的模拟评估拟议方案的性能。 基于这些理论,我们设计算法(LLP MHMP Scheduler),在固定功率最小延迟模式和固定延迟最小功率模式之间按需切换。
人工智能(AIoT)在智能家居环境中的广泛集成放大了对透明和可解释的机器学习模型的需求。 为了培养用户信任并遵守新兴的监管框架,可解释AI(XAI)方法,特别是后技术,如Shapley Additive ExPlanations(SHAP)和Local Interpretable Model-Agnostic Explanations(LIME),被广泛用于阐明模型行为。 然而,最近的研究表明,这些解释方法可以无意中暴露敏感的用户属性和行为模式,从而引入新的隐私风险。 为了解决这些问题,我们提出了一种新的隐私保护方法,基于SHAP熵规范化,以减轻可解释的AIoT应用程序中的隐私泄漏。 我们的方法包含基于熵的正则化目标,在训练期间惩罚低熵的SHAP归因分布,促进特征贡献的更均匀传播。 为了评估我们方法的有效性,我们开发了一套基于SHAP的隐私攻击,战略性地利用模型解释输出来推断敏感信息。 我们通过比较评估验证我们的方法,使用这些攻击以及基准智能家居能耗数据集的实用指标。 实验结果表明,与基线模型相比,SHAP熵正则化大大减少了隐私泄漏,同时保持了高预测准确性和忠实的解释保真度。 这项工作有助于为安全和值得信赖的AIoT应用程序开发隐私保护可解释的AI技术。
继续滚动加载更多
