XiaoMi-AI文件搜索系统
World File Search System用户设备
组合客户主机多重强加固学习，用于移动边缘计算中的任务卸载
深度强化学习（DRL）在任务卸载问题方面越来越受欢迎，因为它可以适应动态变化并最大程度地减少在线计算复杂性。但是，在用户设备（UDS）和移动边缘计算（MEC）服务器上的各种类型的连续和离散资源约束对高效的基于DRL的任务下载策略的设计构成了挑战。假设服务器上有足够的存储资源，则基于DRL的任务折扣算法重点关注UDS的约束。此外，现有的基于多种DRL（MADRL）的任务攻击算法是同质代理，并将同质的约束视为其奖励功能的惩罚。在这项工作中，我们提出了一种新颖的组合客户端MADRL（CCM_MADRL）算法，用于在移动边缘compoting中进行任务卸载（CCM_MADRL_MEC），允许UDS决定其重新源要求，并根据UDS的要求做出组合决策。ccm_madrl_mec是任务卸载的第一种MADRL方法，即除了UDS的限制外，考虑服务器存储的ca- partical。通过利用组合动作选择，CCM_MADRL_MEC显示出优于现有基准和启发式算法的优越性收敛性。
最大程度地减少在线动态雾系统中的延迟和能量
越来越多的物联网（IoT）设备的使用会产生对数据传输的更大需求，并给网络带来了增加的压力。此外，与云服务的连接性可能是昂贵且效率低下的。雾计算提供与用户设备接近的资源，以克服这些缺点。但是，在物联网应用程序中的服务质量（QoS）和雾资资源管理的优化正变得具有挑战性。本文介绍了需要执行延迟敏感任务的车辆流量应用程序中的动态在线卸载方案。本文提出了两种算法的组合：动态任务调度（DTS）和动态能量控制（DEC），旨在最大程度地减少整体延迟，增强用户任务的吞吐量并最大程度地减少雾层的能量消耗，同时最大程度地利用资源约束的雾气节点的使用。与其他方案相比，我们的实验结果表明，这些算法可以将延迟减少高达80.79％，并将雾节点的延迟减少高达66.39％。此外，此方法将任务执行吞吐量提高了40.88％。
能量感知分布式推理的视角
摘要 — 对快速响应的高质量人工智能生成内容 (AIGC) 的追求推动了自然语言处理 (NLP) 服务的发展，尤其是在边缘启用的服务 (即边缘 NLP)。具体来说，我们研究了下一个单词预测的分布式推理，这是用户设备上移动键盘的流行边缘 NLP 服务。因此，我们优化了耦合指标，即最大化预测点击率 (CTR) 以提高服务质量 (QoS)，最小化用户不耐烦以增强体验质量 (QoE)，并将能耗控制在可持续发展的预算范围内。此外，我们考虑了现实世界的环境，其中没有关于异构 NLP 模型预测准确性的先验知识。通过集成在线学习和在线控制，我们提出了一种新颖的分布式推理算法，用于考虑用户不耐烦的在线下一个单词预测 (DONUT)，以估计模型的预测准确性并平衡耦合指标之间的权衡。我们的理论分析表明，DONUT 实现了亚线性遗憾（CTR 损失），确保了有限的用户不耐烦，并保持了预算内的能耗。通过数值模拟，我们不仅证明了 DONUT 优于其他基线方法的性能，还证明了其对各种设置的适应性。
陆军通讯员
踏上太平洋之旅，人们期待着夏威夷的平静海浪。然而，我最近的旅行并不是一次悠闲的逃离，而是一次深入技术进步和军事准备中心的旅程。自 1995 年以来，我再也没有去过韩国，变化是巨大的，尤其是在韩国的汉弗莱斯营。在令人惊叹的新营地基础设施中，我有幸目睹士兵和陆军部文职人员使用他们在信号学校学到的信号技能执行任务，并运用优秀士官传授的野外技能。在战场上，我们的年轻军官、准尉和士官正在提升我们的信号人员的技能。很明显，这些人不仅仅是在学习；他们正在不断发展，拥抱未来的技术，这些技术无疑将成为现代战场的核心竞争力。当我回顾这段经历时，我清楚地认识到，我们对士兵和陆军部文职人员的教育和培训方法必须随着技术本身的发展而不断发展。我们必须将重点从仅仅精通终端用户设备转移到更深入地了解底层技术原理。这对于我们的高级军士、军官和文职合作伙伴来说尤其重要，他们不仅必须凭借技术实力，还必须具备战略洞察力，以
D2D 通信中能量感知混合 RF-VLC 多频段选择：一种随机多臂老虎机方法
摘要 — 为满足移动用户日益增长的服务期望并避免频段切换速度慢的问题，设备到设备 (D2D) 通信在物联网 (IoT) 中受到了广泛研究关注。虽然新兴的 D2D 节点可以支持异构频段 [射频 (RF)，包括 2.4 GHz/5 GHz 无线局域网 (WLAN)、38 GHz 毫米波 (mmWave) 和可见光通信 (VLC)]，但物理限制（例如阻塞）要求用户设备在频段之间动态切换，以避免连接丢失和吞吐量下降。在本文中，我们研究了混合 RF-VLC 场景中用于直接用户数据处理的有效在线链路选择。首先，我们将多频段选择问题建模为多臂老虎机 (MAB) 问题。源/中继节点充当玩家，通过选择合适的臂（即可用频段（WLAN、mmWave 或 VLC））来最大化其长期反馈/奖励。然后，我们提出了一种在线、能量感知频段选择 (EABS) 方法，利用三种理论上有保证的 MAB 技术 [置信上限 (UCB)、汤普森采样 (TS) 和极小极大值
GPS 现代化太空部队应重新评估...
· 地面。2022 年，由于开发方面的挑战，太空部队进一步推迟了地面控制部分的交付。这一延迟将交付时间推迟到至少 2023 年 12 月。太空部队官员尚未确定新的时间表，并承认剩余的风险可能会导致进一步的延迟。GAO 将继续监测太空部队在遵守新时间表方面的进展情况。· 空间。太空部队满足了其批准的 24 颗 M 码卫星在轨的要求，但确定至少还需要三颗卫星才能满足某些用户的准确性要求。建造和维护这个更大的星座是一项挑战。GAO 的分析表明，未来十年不太可能持续提供 27 颗卫星。除非空军评估其对卫星的作战需求以确定对 27 颗卫星星座的坚定要求，否则国防部的其他工作可能会优先考虑，导致作战人员的 GPS 用户设备性能低于所需的能力水平。· 用户设备。 MGUE 增量 1 的开发进展到军事部门准备开始支持在主要武器系统上进行测试和部署的阶段。延迟和意外挑战可能会影响某些系统的部署能力。下图说明了集成过程。
基于GPU的私人信息检索针对机上机器学习推理
抽象的机上计算机学习（ML）推理可以在无需向远程服务器揭示的用户设备上使用私人用户数据。但是，对于依靠嵌入太大而无法存储在设备上的许多应用程序的应用程序，纯粹的私人ML推理解决方案是不切实际的。特别是，建议模型通常在1-10 GB的数据下使用多个嵌入式表，这使得它们不切实际地存储在设备上。为了超越这个障碍，我们建议使用私人信息检索（PIR）有效，私人地从服务器中嵌入嵌入，而无需共享任何私人信息。由于现成的PIR算法通常过于计算，因此很密集，无法直接用于潜伏敏感的推理任务，我们1）提出了基于GPU的新型PIR加速度，以及2）与下游ML的pir共同设计PIR，以获得进一步的加速。我们的GPU加速策略将系统吞吐量提高了20倍以上，超过了CPU PIR实现，而我们的PIR-ML共同设计在固定模型质量下提供了超过5倍的额外吞吐量改进。，对于各种设备上的ML插图，例如建议和语言建模，我们的单个V100 GPU上的系统每秒可提供高达100，000的查询 - 基于CPU的基线，A> 100×吞吐量改进 - 在基于CPU的基线上 - 维护模型准确性。
ATSC 3.0 广播 5G 单播异构网络融合服务从第 16 版开始
摘要 — 在本文中，ATSC 3.0 广播无线接入技术 (RAT) 与 3GPP 5G NR RAT 保持一致，从版本 16 开始，5G 融合的背景下开始。5G 系统架构版本 16 包括一个新的 5G 物理层，称为 5G NR“新无线电”和使用云计算的“云原生”5G 核心 (5GC)。5GC 与所使用的无线接入技术类型无关，并且是多种融合的推动者。讨论了一种旨在与 5GC 互通的新型共享多租户广播核心网络架构。使用 Release 16 的方法，3GPP 5G NR 单播和非 3GPP ATSC 3.0 广播协同对齐。这包括使用 3GPP 接入流量引导、交换、拆分 (ATSSS) 和多无线电双同步连接用户设备 (UE)。这使 ATSC 3.0（第一个前瞻性（非向后兼容）原生 IP OFDM 广播标准）与 3GPP LTE/5G 单播作为融合的 5G 垂直行业保持一致。所提出的方法和架构与 LTE 广播 Release 16 正交，并且与未来的 5G NR 混合模式多播单播协同。
考虑到设备 - - 卫星技术 - 4 ...
移动设备技术，全球标准和技术融合的创新正在实现卫星与传统陆地移动手机和其他最终用户设备之间的直接到设备（D2D）通信，包括移动车辆的设备。D2D技术为移动网络运营商提供的当前提供的服务提供了令人兴奋的新机会，以关闭数字鸿沟并在整个拉丁美洲提供真正无处不在的覆盖范围。D2D技术可能会符合以下用例：（i）补充现有的移动网络运营商基础设施，并连接城市和郊区的服务不足或未供不应求的部分，以及山区，海上，航空，航空，隔离和农村地区，以及（ii）促进诸如灾难响应之类的紧急要求。正在考虑两种D2D方法，取决于它们是使用分配给移动 - 卫星服务的非事物链接的频谱（在这项贡献中称为“ MSS D2D”），还是分配给非陆地链接的地面移动服务的频谱（也可以涉及其他贡献）（也可以介绍为“ Imms”和“ Imt d2”。 D2D”）。此输入贡献讨论了两种D2D方法的调节，操作和技术方面。
确保与蜂窝连接的可靠连接... - arXiv
摘要 —为了将无人机 (UAV) 整合到未来的大规模部署中，一种新的无线通信模式，即蜂窝连接无人机，最近引起了人们的关注。然而，以视距为主的空对地信道以及蜂窝地面基站 (GBS) 的天线方向图给蜂窝连接的无人机通信带来了严重的干扰问题。特别是，复杂的天线方向图和下倾天线的地面反射 (GR) 会为天空中的无人机造成覆盖漏洞和不均匀的覆盖，从而导致底层蜂窝网络连接不可靠。为了克服这些挑战，我们在本文中提出了一种新的蜂窝架构，该架构在现有的地面用户设备 (GUE) 下倾天线之上采用一组额外的面向天空的同信道天线来支持无人机。为了对下倾天线引起的 GR 进行建模，我们提出了一种路径损耗模型，该模型同时考虑了天线辐射模式和配置。接下来，我们制定了一个优化问题，通过调整上倾天线的上倾 (UT) 角度来最大化无人机的最小信号干扰比 (SIR)。由于这是一个 NP 难题，我们提出了一种基于遗传算法 (GA) 的启发式方法来优化这些天线的 UT 角度。在获得最佳 UT 角度后，我们集成了 3GPP Release-10 指定的增强型小区间干扰