Learning-Based Deterministic Scheduling for TSN and 5G Integrated Networks
Notice bibliographique
Résumé
Integration of the fifth-generation mobile communication technology (5G) into time-sensitive networking (TSN) was first proposed in the 3GPP Release 16. However, this conceptual proposal lacks of detailed designs to guarantee bounded latency and high reliability of this integration. In this paper, we study a deterministic scheduling problem for TSN-5G integrated networks in industrial Internet of things (IIoT) scenarios, in which a unified control plane jointly allocates the time-frequency resources for TSN and 5G to support deterministic end-to-end transmission. Specifically, we design a novel control architecture, i.e., centralized network and distributed user, for the integrated networks to reduce the signaling overhead. Moreover, we formulate a stochastic optimization problem for IIoT scenarios to maximize the number of successfully scheduled flows as well as realize throughput fairness for wired and wireless equipment. Since the resource allocation of TSN and 5G are coupled, this problem is NP-hard. We propose a dueling double deep Q network (D3QN) based Joint Resource Allocation (DJRA) algorithm. By leveraging two convolution-enhanced neural networks, with their parameters periodically synchronized, the accuracy of the estimated Q-value can be increased and the convergence speed of DJRA can be accelerated. Simulation results show that the proposed algorithm can facilitate efficient cooperation between TSN and 5G as compared to the other heuristic and learning-based algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».