A Practical AoI Scheduler in IoT Networks with Relays

要約

タイトル：リレーを使用したIoTネットワークでの実用的なAoIスケジューラ

要約：
– IoTネットワークは、デバイス間の自律的なコンピューティング、通信、および協力が一般的になることで、さまざまなタスクを達成するために普及しています。
– relaysの使用により、通信範囲を増やし、電力消費量を最小化するなどの利点があるため、IoTネットワークの展開が便利になっています。
– 二段階のリレーされたIoTネットワークの従来のAoIスケジューラに関する既存文献は、定数/変化しないチャンネル条件と既知の（通常、生成している場合）パケット生成パターンを前提として設計されているため、限られています。
– 二段階のIoTネットワークでのAoIスケジューリングにDeep reinforcement learning（DRL）アルゴリズムが調査されていますが、アクションスペースが指数関数的に増加するため、小規模なIoTネットワークにしか適用できませんので、実用化が困難です。
– この論文では、上記の制限に対処するための実用的なリレーを使用した二段階のIoTネットワークのAoIスケジューラが提案されています。提案されたスケジューラは、線形なアクションスペースを維持する新規性の投票メカニズムベースの近接方策最適化（v-PPO）アルゴリズムを利用し、より大規模なIoTネットワークにスケールアップできます。
– 提案されたv-PPOベースのAoIスケジューラは、変化するネットワーク条件に適応し、未知のトラフィック生成パターンを考慮しており、実際のIoT展開に適しています。シミュレーション結果は、提案されたv-PPOベースのAoIスケジューラがMLや従来の（非ML）AoIスケジューラ、Deep Qネットワーク（DQN）ベースのAoIスケジューラ、Maximal Age First-Maximal Age Difference（MAF-MAD）、MAF（Maximal Age First）、round-robinをすべての実用的なシナリオで上回っていることを示しています。

要約(オリジナル)

Internet of Things (IoT) networks have become ubiquitous as autonomous computing, communication and collaboration among devices become popular for accomplishing various tasks. The use of relays in IoT networks further makes it convenient to deploy IoT networks as relays provide a host of benefits, like increasing the communication range and minimizing power consumption. Existing literature on traditional AoI schedulers for such two-hop relayed IoT networks are limited because they are designed assuming constant/non-changing channel conditions and known (usually, generate-at-will) packet generation patterns. Deep reinforcement learning (DRL) algorithms have been investigated for AoI scheduling in two-hop IoT networks with relays, however, they are only applicable for small-scale IoT networks due to exponential rise in action space as the networks become large. These limitations discourage the practical utilization of AoI schedulers for IoT network deployments. This paper presents a practical AoI scheduler for two-hop IoT networks with relays that addresses the above limitations. The proposed scheduler utilizes a novel voting mechanism based proximal policy optimization (v-PPO) algorithm that maintains a linear action space, enabling it be scale well with larger IoT networks. The proposed v-PPO based AoI scheduler adapts well to changing network conditions and accounts for unknown traffic generation patterns, making it practical for real-world IoT deployments. Simulation results show that the proposed v-PPO based AoI scheduler outperforms both ML and traditional (non-ML) AoI schedulers, such as, Deep Q Network (DQN)-based AoI Scheduler, Maximal Age First-Maximal Age Difference (MAF-MAD), MAF (Maximal Age First) , and round-robin in all considered practical scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI