Digital Twin-Native AI-Driven Service Architecture for Industrial Networks

要約

接続需要の劇的な増加により、モノのインターネット (IoT) センサーが過剰になります。
正確な監視機能や学習機能など、これらの大規模ネットワークの管理ニーズを満たすためには、デジタル ツイン (DT) が重要な実現要因となります。
ただし、IoT ネットワークの永続的な接続要件により、DT の実装に関する現在の試みは依然として不十分です。
さらに、IoT ネットワークでのセンサー データのストリーミングにより、従来の方法よりも処理時間が長くなります。
これらに加えて、実装された IoT ネットワーク シナリオの時空間変化により、現在のインテリジェント メカニズムは適切に機能できなくなります。
これらの課題に対処するために、IoT ネットワークの概念をサポートする DT ネイティブの AI 駆動型サービス アーキテクチャを提案します。
提案された DT ネイティブ アーキテクチャ内で、TCP ベースのデータ フロー パイプラインと強化学習 (RL) ベースの学習者モデルを実装します。
私たちは、提案したアーキテクチャを IoT ネットワークの広範な概念の 1 つである車両のインターネット (IoV) に適用します。
提案したアーキテクチャの効率を測定したところ、TCP ベースのデータ フロー パイプラインのおかげで処理時間が最大 30% 節約されたことがわかりました。
さらに、アクターと批評家のネットワークにいくつかの学習率の組み合わせを適用して学習者モデルのパフォーマンスをテストし、最も連続したモデルを強調します。

要約(オリジナル)

The dramatic increase in the connectivity demand results in an excessive amount of Internet of Things (IoT) sensors. To meet the management needs of these large-scale networks, such as accurate monitoring and learning capabilities, Digital Twin (DT) is the key enabler. However, current attempts regarding DT implementations remain insufficient due to the perpetual connectivity requirements of IoT networks. Furthermore, the sensor data streaming in IoT networks cause higher processing time than traditional methods. In addition to these, the current intelligent mechanisms cannot perform well due to the spatiotemporal changes in the implemented IoT network scenario. To handle these challenges, we propose a DT-native AI-driven service architecture in support of the concept of IoT networks. Within the proposed DT-native architecture, we implement a TCP-based data flow pipeline and a Reinforcement Learning (RL)-based learner model. We apply the proposed architecture to one of the broad concepts of IoT networks, the Internet of Vehicles (IoV). We measure the efficiency of our proposed architecture and note ~30% processing time-saving thanks to the TCP-based data flow pipeline. Moreover, we test the performance of the learner model by applying several learning rate combinations for actor and critic networks and highlight the most successive model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google