Channel estimation in mmWave and THz-range wireless communications (producing Gb/Tb-range of data) is critical to configuring system parameters related to transmission signal quality, and yet it remains a daunting challenge both in software and hardware. Current methods of channel estimations, be it modeling- or data-based (machine learning (ML)), - use and create big data. This in turn requires a large amount of computational resources, read operations to prove if there is some predefined channel configurations, e.g., QoS requirements, in the database, as well as write operations to store the new combinations of QoS parameters in the database. Especially the ML-based approach requires high computational and storage resources, low latency and a higher hardware flexibility. In this paper, we engineer and study the offloading of the above operations to edge and cloud computing systems to understand the suitability of edge and cloud computing to provide rapid response with channel and link configuration parameters on the example of THz channel modeling. We evaluate the performance of the engineered system when the computational and storage resources are orchestrated based on: 1) monolithic architecture, 2) microservices architectures, both in edge-cloud based approach. For microservices approach, we engineer both Docker Swarm and Kubernetes systems. The measurements show a great promise of edge computing and microservices that can quickly respond to properly configure parameters and improve transmission distance and signal quality with ultra-high speed wireless communications.


翻译:以 mm Wave 和 THZ 中 的无线 通信 和 THZ 的 频道估计 ( 生成 Gb/ Tb-range 数据 ) 对 配置 与 传输 信号 质量 有关的系统参数 至关重要, 然而, 在软件和硬件方面, 仍然 是一个巨大的挑战 。 当前的频道估计方法, 无论是建模还是基于数据( 机械学习( ML ) ) ), 使用和创建大数据 。 这反过来需要大量的计算资源, 阅读操作以证明 是否存在某些预设的频道配置, 例如 数据库中的 QoS 参数, 以及 将 QoS 远程 参数的新组合存储到数据库中 。 特别是基于 ML 的 ML 方法需要高计算和储存资源、 低 低 、 低 低 和 高 硬件 灵活性 。 在本文件中, 我们设计并研究 将以上 操作卸载到 边和 云计算系统 的, 以 边和 云 计算 以 快速 频道 建 模型 提供 的 快速 和 快速 系统 系统 。 我们 以 快速 系统 的 以 以 以 以 快速 快速 和 快速 运行 系统 显示 的 快速 系统 系统 的 和 以 以 以 以 快速 运行 以 运行 基 基 基 基 基 基 基 基 基 基 基 基 的 基 机 机 基 机 的 基 的 机 机 的 机 机 的 的 机 机 机 的 机 机 机 机 的 的 机 机 机 机 机 机 机 的 机 机 机 机 机 的 的 机 机 机 机 机 机 机 机 的 系统 。

0
下载
关闭预览

相关内容

《工程》是中国工程院(CAE)于2015年推出的国际开放存取期刊。其目的是提供一个高水平的平台,传播和分享工程研发的前沿进展、当前主要研究成果和关键成果;报告工程科学的进展,讨论工程发展的热点、兴趣领域、挑战和前景,在工程中考虑人与环境的福祉和伦理道德,鼓励具有深远经济和社会意义的工程突破和创新,使之达到国际先进水平,成为新的生产力,从而改变世界,造福人类,创造新的未来。 期刊链接:https://www.sciencedirect.com/journal/engineering
专知会员服务
31+阅读 · 2020年10月13日
【干货】大数据入门指南:Hadoop、Hive、Spark、 Storm等
专知会员服务
95+阅读 · 2019年12月4日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
【电子书推荐】Data Science with Python and Dask
专知会员服务
43+阅读 · 2019年6月1日
Annual Review of Biochemistry外泌体综述
外泌体之家
5+阅读 · 2019年6月27日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关资讯
Annual Review of Biochemistry外泌体综述
外泌体之家
5+阅读 · 2019年6月27日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员