XiaoMi-AI文件搜索系统
World File Search SystemURLLC
6G URLLC的量子机智能 - 赢家实验室
abtractive和任务关键数据驱动的应用程序，例如虚拟或增强现实，触觉，工业自动化和自主性移动性，在第六代网络中对超前且低延迟通信（6G）网络的超前且低延迟通信（URLLC）构成了前所未有的挑战。机器intel-ligence接近深度学习，加强学习和联合学习（FL），以提供新的范式，以确保在大数据培训的流中确保6G URLLC。但是，机器学习能力的经典局限性使得达到严格的6G URLLC要求使其具有挑战性。在本文中，我们通过利用量子资源的优势，例如叠加，插入和量子并行性来研究6G URLLC变异量子计算和量子机学习（QML）的潜力。基本的想法是将量子机智能与6G网络集成在一起，以确保严格的6G URLLC要求。作为一个例子，我们演示了NP-HARD URLLC任务的量子近似优化算法卸载优化概率。在无线网络中还采用了QML的变异量子计算，以提高机器智能的学习率并确保对关键任务应用程序的学习最佳性。考虑了量子辅助的FL，考虑了FL的安全性和隐私问题以及FL中的计算资源开销，盲目和远程时尚中的分布式量子计算进一步研究。
自动形态合奏的极性代码解码器6G URLLC
根据作者克劳斯·凯斯特尔（Claus Kestel），马文·盖塞尔哈特（Marvin Geiselhart），卢卡斯·约翰逊（Lucas Johannsen），斯蒂芬·恩·布林克（Stephan Ten Brink）和诺伯特·韦恩（Norbert Wehn）的作者克劳斯·凯斯特尔（Claus Kestel）和诺伯特·韦恩（Norbert Wehn），的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。 实现接近ML的性能是具有挑战性的，尤其是对于短块长度。 极性代码是此应用程序的有前途的候选人。 上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。 本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。 本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。 因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。实现接近ML的性能是具有挑战性的，尤其是对于短块长度。极性代码是此应用程序的有前途的候选人。上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。
6G 增强型超高速机器学习
摘要 超可靠低延迟通信（URLLC）作为第五代（5G）和第六代（6G）蜂窝网络的主要通信服务之一，对于支持各种新兴的关键任务应用至关重要。然而，现代移动网络无法满足延迟和可靠性要求，以及其他服务质量（QoS）要求，包括频谱效率、能源效率、容量、抖动、往返延迟、网络覆盖等。为了满足各种URLLC应用的不同QoS要求，机器学习（ML）解决方案有望成为未来6G网络的主流。在本文中，我们首先将6G URLLC愿景分为三种连接特征，包括无处不在的连接、深度连接和全息连接，以及它们对应的独特QoS要求。然后，我们确定了满足这些连接要求的潜在挑战，并研究有前景的ML解决方案，以实现6G URLLC服务的智能连接。我们进一步讨论了如何实现机器学习算法来保证不同 URLLC 场景（包括移动性 URLLC、大规模 URLLC 和宽带 URLLC）的 QoS 要求。最后，我们给出了一个下行 URLLC 信道接入问题的案例研究，分别通过集中式深度强化学习 (CDRL) 和联邦式深度强化学习 (FDRL) 来解决，验证了机器学习对 URLLC 服务的有效性。
将领域知识融入深度学习 - arXiv
摘要 — 作为第五代和第六代 (6G) 移动通信网络中的关键通信场景之一，超可靠和低延迟通信 (URLLC) 将成为各种新兴任务关键型应用程序开发的核心。最先进的移动通信系统无法满足 URLLC 的端到端延迟和整体可靠性要求。特别是，缺乏一个考虑到延迟、可靠性、可用性、可扩展性和不确定性决策的整体框架。在深度神经网络最新突破的推动下，深度学习算法被认为是开发未来 6G 网络中 URLLC 支持技术的有前途的方法。本教程说明了如何将通信和网络领域的知识（模型、分析工具和优化框架）集成到不同类型的 URLLC 深度学习算法中。我们首先介绍一下 URLLC 的背景，并回顾一下 6G 有前景的网络架构和深度学习框架。为了更好地说明如何利用领域知识改进学习算法，我们重新审视了基于模型的 URLLC 分析工具和跨层优化框架。随后，我们研究了在 URLLC 中应用监督/无监督深度学习和深度强化学习的潜力，并总结了相关的未解决的问题。最后，我们提供模拟和实验结果来验证不同学习算法的有效性并讨论未来的方向。
5G 独立网络的可靠性、单向延迟... - UTUPub
5G 是蜂窝网络的第五代技术标准。它有三个主要应用需求，即增强移动宽带 (EMBB)、大规模机器类型通信 (MMTC) 和超可靠低延迟通信 (URLLC)。URLLC 是一项非常具有挑战性的需求，具有严格的可靠性和延迟要求。到 2022 年，它已得到高度规范，5G 供应商将在不久的将来开始实现基本的 URLLC 功能。本论文的动机是找到方法来测量 5G 独立 (SA) 网络在关键 URLLC 性能指标上的表现，分析和可视化这些测量结果，找出某些网络行为的原因，并估计不同的 URLLC 功能在实施时会产生什么样的影响。此外，另一个动机是找到一种方法来检测数据包丢失及其背后的原因，因为数据包丢失会严重损害可靠性，在部署 URLLC 功能之前应将其最小化。为了测量 5G SA 网络的性能，确定了四种不同类型的测试用例，其中生成了 URLLC 类型的网络流量。在 5G 小区的良好覆盖和不良覆盖下进行静态测试，在连接到同一 5G 小区时从良好覆盖移动到不良覆盖进行移动性测试，以及在切换测试中更改 5G 小区。所有测试均在 5G 现场验证环境中完成，包括下行链路和上行链路。对于下行链路，小区内的覆盖和移动性对单向延迟没有显著影响。这主要是因为不需要数据包重新传输，否则会增加延迟。这对于移动 URLLC 用例（例如车对万物通信 (V2X)）尤其有前景。上行链路表现要弱得多，主要是因为上行链路资源调度和数据包重传。切换对于下行链路和上行链路都是有问题的，因为小区变化导致延迟短暂但大幅增加。测量中的所有数据包丢失都发生在上行链路传输中，本论文包括一个案例研究，其中导致数据包丢失的不同潜在因素被一致消除。最后，数据包丢失的原因指向用于测试的 5G 芯片组。
5G 制造 - 数字弹射器
超可靠低延迟通信 (URLLC) – 在远程维护和监控、协作机器人 (cobot) 和联网自动驾驶汽车等新用例的推动下，URLLC 将提供超快速的关键任务连接。这将实现高度准确和可靠的实时数据，这些数据可以在现场和供应链的各个部分进行大规模处理、分析、可视化和操作。这一特性对于具有极高容差要求的制造过程至关重要。接近一毫秒的延迟和非常高的带宽使实时控制制造机器成为可能，从而降低成本并提高质量。
面向低延迟和超可靠的虚拟现实 - arXiv
过去两年，学术界和业界对移动/无线虚拟现实 (VR)、混合现实 (MR) 和增强现实 (AR) 产生了前所未有的兴趣。VR 能够让用户沉浸其中，从而创造出下一代娱乐体验，MR 和 AR 则有望增强用户体验，让终端用户可以从智能手机屏幕上抬起头来。5G 包含三个服务类别：增强移动宽带 (eMBB)、大规模机器类型通信 (mMTC) 以及超可靠和低延迟通信 (URLLC)。移动 VR、MR 和 AR 应用在很大程度上是针对特定用例的，它们处于 eMBB 和 URLLC 的交叉点，寻求在延迟限制下统一向终端用户传输多 Gbps 的数据。众所周知，低延迟和高可靠性是相互冲突的要求 [1]。超可靠性意味着为用户分配更多资源以满足高传输成功率要求，这可能会增加其他用户的延迟。需要智能网络设计来实现互联 VR/AR 的愿景，其特点是服务流畅可靠、延迟最小、无缝支持不同的网络部署和应用要求。
通过预测分析增强网络安全
摘要 - 启用6G的车辆网络面临着确保超级可靠的低延迟通信（URLLC）及时提供安全关键信息的挑战。车辆对所有（V2X）通信系统的现有资源分配方案主要依赖于基于传统优化的算法。但是，由于解决方案方法的高复杂性和沟通开销，这些方法通常无法保证在动态车辆环境中URLLC应用的严格可靠性和潜伏期需求。本文提出了一种基于联合功率和块长度分配的基于新颖的深钢筋学习（DRL）框架，以最大程度地减少基于URLLC的下链接V2X通信系统的有限块长度（FBL）示例中最坏的解码错误概率。该问题被称为非凸层混合构成非局部编程问题（MINLP）。最初，基于在块长度中得出解码误差概率的关节凸的基础，开发了一种基于优化理论的算法，并在感兴趣的区域内传输功率变量。随后，提出了一种有效的事件触发的基于DRL的算法来解决关节优化问题。将事件触发的学习纳入DRL框架中，可以评估是否启动DRL流程，从而减少DRL过程执行的数量，同时保持合理的可靠性性能。DRL框架由两层结构组成。在第一层中，在中央教练中建立了多个深Q-NETWORKS（DQN）以进行块长度优化。第二层涉及参与者 - 批评网络，并利用了基于深层的确定性策略颁奖典礼（DDPG）的算法来优化功率分配。仿真结果表明，所提出的事件触发的DRL方案可以实现关节优化方案的95％，同时为不同的网络设置减少DRL执行最多24％。
基于人工智能的工业环境中超可靠低延迟服务性能预测
摘要 — 本文探讨了人工智能 (AI) 技术在工业物联网 (IIoT) 网络性能预测中的应用。在工业环境中，5G 超可靠低延迟通信 (URLLC) 旨在为具有非常严格延迟要求的关键服务提供服务，例如涉及协作机器人的服务。即使灵活的 5G 新无线电 (NR) 设计能够实现目标 IIoT 性能，也需要为 URLLC 提供和保留必要的频谱资源。因此，需要一种服务质量 (QoS) 预测方案来预测性能下降并采取必要的措施，例如网络资源配置或应用程序适配，例如进入适配模式。我们探索了用于工业环境中 QoS 预测的 AI 算法的设计，并比较了不同的回归和分类工具，包括神经网络 (NN) 和 K 最近邻 (K-NN)。我们探索基于信号与干扰和噪声比 (SINR) 的预测，或仅基于机器人在工厂内的位置的预测。由于延迟降低事件通常很少发生，我们观察到训练数据高度不平衡，导致预测准确率低。我们展示了如何通过重要性抽样技术和修改后的检测阈值（我们称之为 M-KNN 方案）来提高预测性能。
超越5G的推广策略（概述）
5G 特性升级（超级 eMBB、超级 URLLC、超级 mMTC）(*) (*) 考虑到 2030 年代预计部署的数据处理量和通信设备数量，接入速度和同时连接数的目标应是 5G 的 10 倍。Beyond 5G 核心网络的吞吐量应是目前的 100 倍。此外，为了实现上述完全同步的 CPS，需要延迟为 5G 的 1/10，并且两个系统之间需要高度同步。 通过 AI 技术，允许所有设备自动协调而无需人工干预，并即时构建针对用户需求优化的网络，无论是有线还是无线连接。