| Project/Area Number |
22K17884
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 60060:Information network-related
|
|---|
| Research Institution | Advanced Institute of Industrial Technology |
|---|
Principal Investigator |
張 晁逢 東京都立産業技術大学院大学, 産業技術研究科, 助教 (00859043)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | Wireless Communication / Resource management / Learning Systems / Mobile Communication / Multitasking / Communication / Learning systems / Mobile communication / 無線ネットワーク / 深層強化学習 / ネットワーク最適化 |
|---|
| Outline of Research at the Start |
次世代6Gネットワークでは、異種デバイス数の急増によりリソース管理がより困難になる。本研究の目的はネットワーク全体の性能向上を目指し、3C(Communication, Computation, Caching)リソースの知的な制御方法を考案することである。そのために、AI駆動のアルゴリズムに基づく多様な制御手法を通じてリアルタイムの3C制御フレームワークを構築する：１）深層強化学習をベースとした3C協調割り当て戦略を策定する。２）ユーザーのリソースシェアのインセンティブを向上させる。３）連合学習における同期リソース統合の実装実験によりタスク１と２の制御法を検証する。
|
| Outline of Annual Research Achievements |
令和5年度は、初期の研究計画に基づき、ネットワーク全体の性能向上を目指して、3C（通信、計算、キャッシュ）リソースの知的な制御方法に関する研究課題
に取り組んだ。具体的には、以下の3つのタスクを実行した：（1）深層強化学習に基づく異なるリソースの割り当て戦略の開発（2）AoIに基づくユーザーの参加意欲の向上方法を探る。そして、（3）連合学習において3Cリソースの同期統合の検証を行う。
主な研究成果は次の通りである：ユーザーのリソースシェアのインセンティブを向上させるため、ローカル内のリソース可用性の認識方法を導入し、ユーザー機器の共有コストパフォーマンスを最適化する。その上、各デバイスのコストと収益のバランスを取り、全体的にユーザー参加意欲を向上させる。
研究成果の一部は、IEEE国際論文誌であるIEEE Transactions on Machine Learning in Communications and Networkingに掲載され、IEEE Popular Articleになった。また、３つのリソースの正確な認識と予測ため、リソースを共有するユーザーの利益改善および利用可能なリソース量の全体的な改善を検討した。論文誌および国際会議発表５件以上の実績があった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
タスク１では、深層強化学習によって計算された予想効果に従い、現在のリソース使用率および周囲環境に基づく知的な割り当て戦略を改善した。タスク２では、畳み込みニューラルネットワーク（CNN）をLSTMに適用した上で、各デバイスのコストと収益のバランスを取り、全体的にユーザー参加意欲を向上させた。タスク３では、無線ネットワークにおける3Cリソースの不安定なパフォーマンスを考慮し、タスク２で提案したリソース可用性認識で時間とローカルでの違いに応じた重み付けを導入し、同期学習の性能上限を最適化した。研究成果の一部は、5件の雑誌論文および国際会議にて公表した。以上のことから、研究計画は順調に進んでいる。
|
| Strategy for Future Research Activity |
令和6年度の研究では、「システム制限に基づくデータ圧縮の導入」と「②３Cリソースの同期コラボレーション」について研究し、具体的には以下の2つの課題および研究のまとめに取り組む。まず、
（1）データ圧縮の導入について、予測精度を僅かに犠牲にすることで、帯域幅の上限までデータストリームのサイズを圧縮し、制限時間内でアップロードを完了させる。（2）３Cリソースの同期コラボレーションについて、通信および計算により待機時間を最小限に抑えてタスクの処理効率を向上させる。また、3年目では研究成果および最終まとめが
予定されているため、国内の研究会や国際会議、学術論文誌で研究成果発表および結果報告を行う。
|
