|
|
2022年开始的一个系列，主要是整理通信领域最近发表的提供开源代码和数据集的论文，这一期一共包含15篇论文，希望对相关领域的小伙伴有所帮助。获取这些论文的全文可以私信回复20230409，仅供大家交流学习。如果有需要某个主题的开源代码，也可以留言帮忙找下。欢迎转发和关注！
目录
[1] A Two-Stage Strategy for UAV-enabled Wireless Power Transfer in Unknown Environments
[2] Deep-Learning-Aided Distributed Clock Synchronization for Wireless Networks
[3] Digital Twin-Based Multiple Access Optimization and Monitoring via Model-Driven Bayesian Learning
[4] DOTE: Rethinking (Predictive) WAN Traffic Engineering
[5] ELITE: An Intelligent Digital Twin-based Hierarchical Routing Scheme for Softwarized Vehicular Networks
[6] FaaSLight: General Application-Level Cold-Start Latency Optimization for Function-as-a-Service in Serverless Computing
[7] GREEN: A Global Energy Efficiency Maximization Strategy for Multi-UAV Enabled Communication Systems
[8] Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction
[9] Improving Fingerprint-Based Positioning by Using IEEE 802.11mc FTM/RTT Observables
[10] Interference Nulling Using Reconfigurable Intelligent Surface
[11] Modular Model-Based Bayesian Learning for Uncertainty-Aware and Reliable Deep MIMO Receivers
[12] NORD: NOde Ranking-based efficient virtual network embedding over single Domain substrate networks
[13] Online Meta-Learning For Hybrid Model-Based Deep Receivers
[14] Reducing Operational Expenses of LoRaWAN-Based Internet of Remote Things Applications
[15] Unsupervised Dynamic Sensor Selection for IoT-Based Predictive Maintenance of a Fleet of Public Transport Buses
具体内容
[1] A Two-Stage Strategy for UAV-enabled Wireless Power Transfer in Unknown Environments
作者：Shi J, Cong P, Zhao L, et al.
出处：IEEE Transactions on Mobile Computing, 2023
摘要：由于具有机动性、高机动性和灵活性等突出优点，无人机(UAV)是可行的移动电源发射器，可以在地理受限的地区快速部署。它们非常适合使用无线电力传输(WPT)技术为能量受限的传感器节点(SN)供电。在本文中，我们研究了一个支持无人机的WPT系统，该系统将功率传输到未知位置的一组SN。一个关键的挑战是如何有效地收集SN的位置并设计功率传输方案。我们制定了一个多目标优化问题来共同优化这些目标：无人机搜索效率最大化、总收获能量最大化、无人机飞行能量消耗最小化和无人机能量利用效率最大化。为了解决这些问题，我们提出了一种两阶段策略，其中包括用于获取SN坐标的无人机运动控制(UMC)算法和通过将SN分组为簇来进行功率传输的动态遗传聚类(DGC)算法。首先，UMC算法使无人机能够自主控制自身运动并执行目标搜索任务。目标是使能量受限的无人机在没有任何先验信息的情况下找到尽可能多的SN。其次，DGC算法用于优化无人机的能量消耗，通过将遗传聚类算法与动态聚类策略相结合来最大化SNs收集的能量量和无人机的能量利用效率。最后，实验结果表明，所提出的算法优于其对应算法。
链接：
https://ieeexplore.ieee.org/abstract/document/10033084/
代码：
https://github.com/NetworkCommunication/UMC-DGC---CPY
[2] Deep-Learning-Aided Distributed Clock Synchronization for Wireless Networks
作者：Abakasanga E, Shlezinger N, Dabora R.
出处：arXiv, 2022
摘要：在过去的几十年中，无线通信网络的激增，加上无线频谱的稀缺，促使人们做出重大努力来提高无线网络的吞吐量。限制无线通信网络吞吐量的主要因素之一是网络中节点之间时间同步的准确性，因为更高的吞吐量需要更高的同步精度。现有的时间同步方案，特别是基于脉冲耦合振荡器(PCOs)的方法，是当前工作的重点，具有实现简单的优点，当节点距离很近时可以实现高精度，但往往实现较差远程节点的同步性能。在这项研究中，我们提出了一种基于PCO的鲁棒时间同步算法，该算法保留了现有方法的简单结构，同时可靠地运行并为距离较近的节点快速收敛。这是通过使用可分布式训练的深度学习工具增强基于PCO的同步来实现的，从而允许节点训练其同步算法的神经网络组件，而无需额外的信息交换或中央协调。数值结果表明，我们提出的深度学习辅助方案对于大面积部署导致的传播延迟以及相对时钟频率偏移具有显着的鲁棒性。还表明，所提出的方法可以快速实现无线网络中所有节点的完全（即时钟频率和相位）同步，而经典的基于模型的实现则不能。
链接：
Deep-Learning-Aided Distributed Clock Synchronization for Wireless Networks
代码：
https://github.com/EmekaGdswill/Distributed-DNN-aided-time-synchronization.git
[3] Digital Twin-Based Multiple Access Optimization and Monitoring via Model-Driven Bayesian Learning
作者：Ruah C, Simeone O, Al-Hashimi B.
出处：arXiv, 2022
摘要：在制造和航空航天领域普遍采用的数字孪生(DT)平台越来越被视为控制和监控基于软件的“开放式”通信系统的有前途的范例，这些系统扮演着物理孪生(PT)的角色。在这项工作中提出的一般框架中，DT构建了通信系统的贝叶斯模型，该模型被用来实现核心DT功能，例如通过多代理强化学习(MARL)进行控制和监控PT以进行异常检测。我们专门研究了所提出的框架在一个简单的案例研究系统中的应用，该系统包含多个向公共接收器报告的传感设备。在DT训练的贝叶斯模型具有捕获关于通信系统的认知不确定性的关键优势，例如，关于当前交通状况，这是由有限的PT到DT数据传输引起的。与基于标准频率论模型的解决方案相比，实验结果验证了所提出的贝叶斯框架的有效性。
链接：
https://arxiv.org/abs/2210.05582
代码：
https://github.com/kclip/bayesian-dt
[4] DOTE: Rethinking (Predictive) WAN Traffic Engineering
作者：Perry Y, Frujeri F V, Hoch C, et al.
出处：arXiv, 2023
摘要：路由可以说是计算机网络中最基本的任务，也是研究最广泛的任务。现实环境中路由的一个关键挑战是需要应对未来流量需求的不确定性。我们提出了一种在需求不确定性下进行路由的新方法：将这一挑战作为随机优化来应对，并采用深度学习来学习交通需求中的复杂模式。我们表明，我们的方法可证明在经过充分研究的多商品流理论模型中收敛到全局最优值。我们通过放大广域网(WAN)上流量工程(TE)的现实挑战来举例说明我们方法的实用性。我们对现实世界的流量和网络拓扑进行广泛的实证评估表明，我们的方法的TE质量几乎与（不可行的）全知预言机的质量相匹配，优于之前提出的方法，并且还大大降低了运行时间。
链接：
A Deep Learning Perspective on Network Routing
代码：
https://github.com/PredWanTE/DOTE
[5] ELITE: An Intelligent Digital Twin-based Hierarchical Routing Scheme for Softwarized Vehicular Networks
作者：Zhao L, Bi Z, Hawbani A, et al.
出处：IEEE Transactions on Mobile Computing, 2022.
摘要：软件定义车载网络(SDVN)是一种网络架构，可以为车载网络提供集中控制。然而，SDVN中路由策略的设计通常受到拓扑变化频繁、服务请求复杂、模型训练时间长等诸多限制的影响。基于智能数字孪生的软件定义车辆网络(IDT-SDVN)可以克服这些弱点，并通过使控制器能够构建虚拟网络空间并提供数字孪生内相应物理对象的虚拟实例来最大限度地发挥传统SDVN架构的优势。在本文中，我们在IDT-SDVN中提出了一种基于结点的分层路由方案，即智能数字孪生分层(ELITE)路由。所提出的方案分四个阶段进行：虚拟网络中的策略训练和生成，以及物理网络中的部署和中继选择。首先，策略学习阶段在DT网络中使用多个并行代理并导出多个单目标策略。其次，生成阶段结合学习到的策略并根据复杂的通信需求生成新的策略。第三，部署阶段根据实时网络状态和消息类型选择最合适的生成策略。控制器根据选定的策略计算道路路径，然后将其发送给请求者车辆。最后，中继选择阶段用于确定沿所选路径逐跳过程中的中继车辆。仿真结果表明，与同类产品相比，ELITE在数据包传递率、端到端延迟和通信开销方面取得了实质性的改进。
链接：
https://ieeexplore.ieee.org/abstract/document/9785887/
代码：
https://github.com/NetworkCommunication/ELITE-zg
[6] FaaSLight: General Application-Level Cold-Start Latency Optimization for Function-as-a-Service in Serverless Computing
作者：Liu X, Wen J, Chen Z, et al.
出处：ACM Transactions on Software Engineering and Methodology, 2023.
摘要：无服务器计算是一种流行的云计算范例，可将开发人员从服务器管理中解放出来。功能即服务(FaaS)是最流行的无服务器计算实现，将应用程序表示为事件驱动和无状态功能。然而，现有研究报告称，FaaS应用程序的功能严重受到冷启动延迟的影响。在本文中，我们提出了一种方法，即FaaSLight，通过应用程序级优化来加速FaaS应用程序的冷启动。我们首先进行测量研究，以调查FaaS冷启动问题的可能根本原因。结果表明，应用程序代码加载延迟是一项重大开销。因此，仅从FaaS应用程序加载必不可少的代码可能是一个合适的解决方案。基于这种洞察力，我们通过构建函数级调用图来识别与应用程序功能相关的代码，并将其他代码（即可选代码）与FaaS应用程序分开。分离出的可选代码可以按需加载，避免必要代码识别不准确导致应用失败。特别是，指导FaaSLight设计的一个关键原则本质上是通用的，即与平台和语言无关。在实践中，FaaSLight可以有效地应用于使用不同编程语言（Python和JavaScript）开发的FaaS应用程序，并且可以无缝部署在AWSLambda和GoogleCloudFunctions等流行的无服务器平台上，而无需修改底层操作系统或管理程序，也不会向开发人员引入任何额外的手动工程工作。在真实世界的FaaS应用上的评估结果表明，FaaSLight可以显着降低代码加载延迟（高达78.95%，平均28.78%），从而降低冷启动延迟。因此，函数的总响应延迟最多可减少42.05%（平均19.21%）。与最先进的技术相比，FaaSLight在减少平均总响应延迟方面实现了21.25倍的改进。
链接：
FaaSLight: General Application-Level Cold-Start Latency Optimization for Function-as-a-Service in Serverless Computing | ACM Transactions on Software Engineering and Methodology
代码：
https://github.com/WenJinfeng/FaaSLight
[7] GREEN: A Global Energy Efficiency Maximization Strategy for Multi-UAV Enabled Communication Systems
作者：Lin N, Fan Y, Zhao L, et al.
出处：IEEE Transactions on Mobile Computing, 2022
摘要：在能源供应有限的情况下，无人机(UAV)支持的通信系统必须有效利用能源才能提供长期服务。在本文中，我们为支持多无人机的通信系统提出了全球能效最大化(GREEN)策略。在此类系统中，一组无人机通过使用支持无人机的干扰信道(UAV-IC)与其关联的地面终端(GT)进行通信。特别是，我们通过综合考虑通信吞吐量和整个系统的总能耗来优化无人机的轨迹控制。我们的目标是最大限度地提高多无人机通信任务的全局能效(GEE)，其中由于其非凸性质和强耦合变量，该问题很难以最佳方式解决。为了解决这个问题，首先，我们研究并提出了一个基于飞行悬停通信协议的全局能效优化问题。其次，我们将我们提出的解决方案从单个支持无人机的系统扩展到多个无人机-GT对案例。此外，我们考虑了无人机在飞行时也进行通信的一般场景。基于逐次凸逼近技术和路径离散化方法，设计了GREEN策略来优化该场景下的无人机轨迹。仿真结果表明，与多无人机启用通信的基准方案相比，所提出的策略可以实现显着更高的GEE。
链接：
https://ieeexplore.ieee.org/abstract/document/9895331/
代码：
https://github.com/NetworkCommunication/GREEN
[8] Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction
作者：Cohen K M, Park S, Simeone O, et al.
出处：arXiv, 2023
摘要：上行链路中超可靠和低延迟流量(URLLC)的动态调度可以显着提高共存服务的效率，例如增强型移动宽带(eMBB)设备，仅在必要时分配资源。主要挑战来自URLLC数据包生成过程中的不确定性，这要求在即将到来的帧中使用URLLC流量的预测器。实际上，这种预测可能会高估或低估要生成的URLLC数据量，从而导致为URLLC数据包预先分配的资源量过多或不足。在本文中，我们介绍了一种新颖的URLLC数据包调度程序，无论URLLC流量预测器的质量如何，它都可以提供可靠性和延迟的正式保证。所提出的方法利用在线保形预测(CP)的最新进展，并遵循动态调整分配资源量的原则，以满足设计人员设定的可靠性和延迟要求。
链接：
https://arxiv.org/abs/2302.07675
代码：
GitHub - kclip/online_cp_urllc
[9] Improving Fingerprint-Based Positioning by Using IEEE 802.11mc FTM/RTT Observables
作者：Martin-Escalona I, Zola E.
出处：Sensors, 2023
摘要：接收信号强度(RSS)一直是用于定位目的的最常用的可观测值之一，因为它几乎适用于所有无线设备。然而，RSS的易变性往往会产生不可靠的定位解决方案。IEEE 802.11mc允许使用往返时间(RTT)进行定位，预计这对于定位目的而言是更一致的可观察值。这种方法得到了谷歌等多家公司的支持，谷歌在Android操作系统中引入了该功能。因此，RTT估计现在可以在最近的几款现成设备中使用，从而为计算位置开辟了广泛的新方法。然而，RTT传统上一直针对多点解决方案。很少有工作评估RTT作为基于分类算法的定位方法中的准确特征的可行性。本文试图通过调查几种分类模型在准确性和定位误差方面的性能来填补这一空白。使用不同的AP布局、不同的AP供应商和不同的频段评估性能。在所有研究的场景中，基于RTT的位置估计的准确性和精确度始终优于使用RSS获得的位置估计，尤其是在可用AP很少的情况下。此外，所有考虑过的ML算法都表现得很好。因此，当更简单的解决方案（例如最近邻分类器）在准确性和位置误差方面取得相似的结果时，没有必要使用更复杂的解决方案（例如SVM）。
链接：
https://www.mdpi.com/2032300
数据：
GitHub - imartin-UPC/RTT-Data-Collection
[10] Interference Nulling Using Reconfigurable Intelligent Surface
作者：Jiang T, Yu W.
出处：IEEE Journal on Selected Areas in Communications, 2022
摘要：本文研究了可重构智能表面(RIS)在多用户环境中的干扰消除能力，其中多个单天线收发器在共享频谱中同时通信。从理论的角度来看，我们表明当RIS和收发器之间的通道具有视线并且直接路径被阻挡时，可以调整RIS元件的相位以完全消除所有干扰并在整个K用户干扰信道中实现最大K自由度(DoF)，前提是RIS元素的数量超过某个取决于K的有限值。在算法上，对于任何固定信道实现，我们将干扰调零问题表述为可行性问题，并提出交替投影算法以有效解决由此产生的非凸问题并保证局部收敛。数值结果表明，如果RIS元素的数量仅略大于2K(K−1)的阈值，则所提出的交替投影算法可以抵消所有干扰。对于实际的和速率最大化目标，本文提出使用从交替投影获得的迫零解作为后续黎曼共轭梯度优化的初始点，并表明它比随机初始化具有显着的性能优势。为了最大化最小速率的目标，本文提出了一种次梯度投影方法，该方法能够以低复杂度实现优异的性能。
链接：
https://ieeexplore.ieee.org/abstract/document/9681803/
代码：
https://github.com/taojiang-github/RIS-Interference-Nulling
[11] Modular Model-Based Bayesian Learning for Uncertainty-Aware and Reliable Deep MIMO Receivers
作者：Raviv T, Park S, Simeone O, et al.
出处：arXiv, 2023
摘要：在无线接收器的设计中，DNN可以与传统的基于模型的接收器算法相结合，以实现可以考虑领域知识的模块化混合基于模型/数据驱动的体系结构。这种架构通常包括多个模块，每个模块执行不同的功能。众所周知，经过常规训练的基于DNN的模块会产生校准不佳、通常过于自信的决策。这意味着不正确的决定可能会在整个体系结构中传播，而没有任何迹象表明其准确性不足。为了解决这个问题，我们提出了一种将贝叶斯学习与基于模型/数据驱动的混合架构相结合的新方法，用于无线接收器设计。所提出的方法，称为基于模块化模型的贝叶斯学习，可产生更好的校准模块，提高整个接收器的准确性和校准。我们为最近提出的DeepSIC MIMO接收器展示了这种方法，显示了相对于最先进的学习方法的显着改进。
链接：
Modular Model-Based Bayesian Learning for Uncertainty-Aware and Reliable Deep MIMO Receivers
代码：
GitHub - tomerraviv95/bayesian-learning-for-receivers
[12] NORD: NOde Ranking-based efficient virtual network embedding over single Domain substrate networks
作者：TG K K, Addya S K, Satpathy A, et al.
出处：Computer Networks, 2023
摘要：网络虚拟化(NV)允许服务提供商(SP)以包含多个相关虚拟机(VM)和虚拟链路(VL)的隔离虚拟网络(VN)的形式划分底层资源，捕获依赖关系。尽管NV带来了多种好处，例如服务隔离、改进的服务质量(QoS)、安全通信和更好地利用基板资源，但它也带来了许多研究挑战。在这方面，主要挑战之一是将资源分配给虚拟组件，即VM和VL，也称为虚拟网络嵌入(VNE)。VNE包括两个密切相关的子问题，(i.)VM嵌入和(ii.)VL嵌入，这两个问题都已被证明是NP-Hard。在VNE的背景下，最大化收益成本比仍然是SP的关注点，因为它不仅可以提高VNR的接受度，还可以有效利用衬底资源。然而，关于VNE的现有文献存在以下缺陷：(i.)它们仅考虑系统资源或(ii.)有限的拓扑属性。然而，这两个属性都是准确捕获VNR和衬底网络依赖性的典型要素，从而提高收入成本比。本文提出了一种高效的VNE策略，称为基于NOdeRanking的高效虚拟网络嵌入单域基板网络(NORD)，以最大化收益成本比。为了解决VM嵌入问题，NORD利用混合熵和基于与理想解决方案(TOPSIS)相似度的优先排序技术对VM和服务器进行排序，同时考虑有效捕获依赖关系的系统和拓扑属性。排名生成后，贪心VM嵌入和最短路径VL嵌入完成分配。模拟结果证实，与基线相比，诺德在平均验收率和收入成本比方面分别提高了40%和61%。
链接：
https://www.sciencedirect.com/science/article/pii/S1389128623001068
代码：
https://github.com/Keerthankumar22/NORD
[13] Online Meta-Learning For Hybrid Model-Based Deep Receivers
作者：Raviv T, Park S, Simeone O, et al.
出处：arXiv, 2022
摘要：近年来，人们对深度神经网络(DNN)在接收器设计中的应用越来越感兴趣，它有可能在不依赖信道模型知识的情况下应用于复杂的环境。然而，通信渠道的动态特性通常会导致分布的快速变化，这可能需要定期进行再培训。本文制定了一种数据高效的两阶段训练方法，有助于快速在线适应。我们的训练机制使用预测元学习方案从与当前和过去的渠道实现相对应的数据中快速训练。我们的方法适用于任何基于深度神经网络(DNN)的接收器，并且不需要传输新的导频数据进行训练。为了说明所提出的方法，我们研究了利用可解释的基于模型的架构的DNN辅助接收器，并引入了基于预测元学习的模块化训练策略。我们在合成线性通道、合成非线性通道和COST2100通道的模拟中展示了我们的技术。我们的结果表明，所提出的在线训练方案允许接收器在快速变化的场景中以高达2.5dB的编码误码率优势优于基于自我监督和联合学习的先前技术。
链接：
Online Meta-Learning For Hybrid Model-Based Deep Receivers
代码：
https://github.com/tomerraviv95/MetaDeepSIC
[14] Reducing Operational Expenses of LoRaWAN-Based Internet of Remote Things Applications
作者：Finochietto M, Santos R, Ochoa S F, et al.
出处：Sensors, 2022
摘要：LoRaWAN已成为应用最广泛的低功耗广域网技术，用于实施基于远程物联网(IoRT)范例的监控解决方案。通常，这些解决方案将位于城市中心的遥感区域和数据处理基础设施互连起来。这些解决方案的运营费用主要取决于通过网络回程发送的流量，即连接遥感区域和通常处理和存储数据的市区的链路。该服务由电信公司提供，代表了IoRT解决方案的主要运营成本。这些费用通常限制了发展中国家基于IoRT的系统的可负担性，并且在运营成本是一个需要解决的问题的情况下也是如此。本文介绍了LoRaWAN协议的扩展，名为Node-Aware-LoRaWAN (NA-LoRaWAN)，可减少回程中的流量，从而降低基于IoRT的系统的运营费用。为了评估NA-LoRaWAN的性能，将其与常规LoRaWAN实施进行了比较。根据网络场景，提议的扩展通过回程减少了12-34%的流量。此扩展为在运营预算较低的应用领域（例如精准农业、环境监测和自然灾害的早期检测）使用IoRT解决方案提供了多个机会。
链接：
https://www.mdpi.com/1882540
代码：
GitHub - marianofino/ns3-lorawan-simulation
[15] Unsupervised Dynamic Sensor Selection for IoT-Based Predictive Maintenance of a Fleet of Public Transport Buses
作者：Killeen P, Kiringa I, Yeap T.
出处：ACM Transactions on Internet of Things, 2022
摘要：近年来，物联网产生的大数据使新型有用的应用成为可能。此类应用之一是实时监控车队以预测其剩余使用寿命。共识自组织模型(COSMO)方法是预测性维护系统的一个示例。目前的工作提出了一种基于物联网的新型预测性维护架构，该架构由三个主要节点组成：车辆节点、服务器领导节点和根节点，可实现车载数据处理、重型数据处理和车队管理。所提议架构的最低限度可行原型已实施并部署到加拿大加蒂诺的当地公交车车库。
目前的工作提出了改进的共识自组织模型(ICOSMO)，这是一种全舰队无监督动态传感器选择算法。为了分析ICOSMO的性能，实施了车队模拟。从混合动力巴士收集的J1939数据用于生成模拟中的合成数据。比较COSMO和ICOSMO方法性能的仿真结果表明，一般而言，ICOSMO在使用余弦距离时将COSMO曲线下的平均面积提高了大约1.5%，在使用Hellinger距离时提高了0.6%。
链接：
https://dl.acm.org/doi/abs/10.1145/3530991
代码：
https://github.com/patkilleen/icosmo_2020_simulations
回顾ICC 2022的开源代码【论文推荐】ICC 2022 开源代码汇总
回顾GLOBECOM 2022的开源代码【论文推荐】GLOBECOM 2022 开源代码汇总
回顾WCNC 2022的开源代码【论文推荐】WCNC 2022 开源代码汇总
回顾INFOCOM 2022的开源代码【论文推荐】INFOCOM 2022 开源代码汇总
查看原文可以获取最全最新的卫星网络仿真工具和开源代码 |
|
发表于 2023-4-26 16:18:34