Survey of Graph Neural Network for Internet of Things and NextG Networks

要約

モノのインターネット (IoT) デバイスの急激な増加と、データ レートと接続デバイスの高速化を推進する 6G が相まって、データの急増を引き起こしています。
その結果、データ駆動型の機械学習の可能性を最大限に活用することが重要な推進力の 1 つになりました。
ワイヤレス技術の進歩に加えて、利用可能なリソースを効率的に使用し、ユーザーの要件を満たすことが重要です。
グラフ ニューラル ネットワーク (GNN) は、その高いパフォーマンスと精度、スケーラビリティ、適応性、およびリソース効率により、本質的に複雑なネットワーク構造を示す洞察を効果的にモデリングおよび抽出するための有望なパラダイムとして浮上しています。
IoT および次世代 (NextG) ネットワークの文脈で GNN が行ったアプリケーションと進歩に焦点を当てた包括的な調査が不足しています。
このギャップを埋めるために、この調査では、GNN の用語、アーキテクチャ、およびさまざまな種類の GNN について詳細に説明することから始めます。
次に、データ融合と侵入検知の観点から、IoT への GNN 適用の進歩に関する包括的な調査を提供します。
その後、GNN がスペクトル認識の向上にもたらした影響を調査します。
次に、GNN がネットワーキングと戦術システムにどのように活用されているかについて詳しく説明します。
この調査を通じて、研究者がワイヤレス ネットワークのコンテキストで GNN について学び、他の機械学習アプローチと対比しながらその最先端のユースケースを理解するための包括的なリソースを提供することを目指しています。
最後に、IoT および NextG ネットワークでの GNN の使用をさらに促進するための課題と将来の幅広い研究の方向性についても議論しました。

要約(オリジナル)

The exponential increase in Internet of Things (IoT) devices coupled with 6G pushing towards higher data rates and connected devices has sparked a surge in data. Consequently, harnessing the full potential of data-driven machine learning has become one of the important thrusts. In addition to the advancement in wireless technology, it is important to efficiently use the resources available and meet the users’ requirements. Graph Neural Networks (GNNs) have emerged as a promising paradigm for effectively modeling and extracting insights which inherently exhibit complex network structures due to its high performance and accuracy, scalability, adaptability, and resource efficiency. There is a lack of a comprehensive survey that focuses on the applications and advances GNN has made in the context of IoT and Next Generation (NextG) networks. To bridge that gap, this survey starts by providing a detailed description of GNN’s terminologies, architecture, and the different types of GNNs. Then we provide a comprehensive survey of the advancements in applying GNNs for IoT from the perspective of data fusion and intrusion detection. Thereafter, we survey the impact GNN has made in improving spectrum awareness. Next, we provide a detailed account of how GNN has been leveraged for networking and tactical systems. Through this survey, we aim to provide a comprehensive resource for researchers to learn more about GNN in the context of wireless networks, and understand its state-of-the-art use cases while contrasting to other machine learning approaches. Finally, we also discussed the challenges and wide range of future research directions to further motivate the use of GNN for IoT and NextG Networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google