Warianty tytułu
Comparison of spectrum occupancy detection methods with the use of federation learning with and without a central node
Konferencja
Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
Języki publikacji
Abstrakty
Systemy dynamicznego dostępu do widma w celu podjęcia decyzji o przydziale widma dla nowego urządzenia przeważnie wymagają informacji o zajętości widma, a tym samym o obecności innych użytkowników. Proste metody detekcji zajętości widma są często dalekie od niezawodnych, stąd często i z powodzeniem stosowane są algorytmy detekcji zajętości widma wspierane uczeniem maszynowym czy też sztuczną inteligencją. W celu ochrony prywatności danych użytkowników i redukcji ilości danych kontrolnych przekazywanych w systemie interesującym podejściem okazuje się użycie federacyjnego uczenia maszynowego. W tej pracy porównane zostały dwa podejścia do projektowania systemu wykorzystujące federacyjne uczenie maszynowe: z wykorzystaniem węzła centralnego oraz bez wykorzystania węzła centralnego.
Dynamic spectrum access systems typically require information about the spectrum occupancy and thus the presence of other users in order to make a spectrum allocation decision for a new device. Simple methods of spectrum occupancy detection are often far from reliable, hence spectrum occupancy detection algorithms supported by machine learning or artificial intelligence are often and successfully used. To protect the privacy of user data and to reduce the amount of control data, an interesting approach is to use federated machine learning. This paper compares two approaches to system design using federated machine learning: with and without a central node.
Rocznik
Tom
Strony
421--424
Opis fizyczny
Bibliogr. 10 poz., rys., tab.
Twórcy
autor
- Politechnika Poznańska, Poznań, lukasz.kulacz@put.poznan.pl
Bibliografia
- [1] Astaneh Saeed, Gazor Saeed. 2013. ,,Relay-assisted spectrum sensing Communications JET. 8 (1): 11-18.
- [2] Bkassiny Mario, Li Yang. 2013. “A survey on machine-learning techniques in cognitive radio", IEEE Communications Surveys & Tutorials, 15 (3): 1136-1159.
- [3] Gao Yujia, Liu Liang. 2021. ,,Federated sensing: edge-cloud elastic collaborative learning for intelligent sensing", IEEE Internet of Things Journal, 8 (14) : 11100-11111
- [4] Jeon Yo-Seb, Amiri Mohammad. 2021. ,,A compressive sensing approach for federated learning over massive MIMO communication systems", IEEE Transactions on Wireless Communications, 20 (3): 1990-2004.
- [5] Jokela Tero, Kokkinen Heikki. 2018. ,,Trial of spectrum sharing in 2.3 GHz band for two types of PMSE equipment and mobile network", IEEE International Symposium on Broadband Multimedia Systems and Broadcasting (BMSB), 1-5.
- [6] Kliks Adrian, Goratti Leonardo, Chen Tao. 2016. ,,REM: revisiting a cognitive tool for virtualized 5G networks", 23rd International Conference on Telecommunications (ICT), 1-5.
- [7] Mustonen Mia, Matinmikko Marja. 2014. ,,Evaluation of recent spectrum sharing models from the regulatory pointof view", 1st International Conference on 5G for Ubiquitous Connectivity, 11-16.
- [8] Radio Spectrum Policy Group. 2011. ,,Report on collective use of spectrum and other spectrum sharing approaches", 11-392.
- [9] Sohul Munawwar, Yao Miao. 2015. ,,Spectrum access system for the citizen broadband radio service”, IEEE Communications Magazine, 53 (7): 18-25.
- [10] Yucek Tevfik, Arslan Hilseyin. 2009. ,,A survey of spectrum sensing algorithms for cognitive radio applications" . IEEE Communications Surveys & Tutorials, 11 (4): 116-130.
Uwagi
Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-0d580ce8-9600-4d5b-92e0-81ef54213368