102 Arbeiten
Diese Arbeit bietet eine umfassende Analyse des Konzepts und der Systemarchitektur von Network Slicing in 5G-Mobilfunknetzen, mit besonderem Fokus auf Geschäftsmodelle und Gewinnmodelle (eigene Implementierung sowie Ressourcenvermietung), und beleuchtet dabei offene Forschungsfragen sowie bestehende Herausforderungen.
Die Arbeit stellt ZeroSiam vor, eine effiziente asymmetrische Siamese-Architektur, die durch Divergenz-Alignment mit einem Stop-Gradient-Operator das Kollabieren von Modellen während der Testzeit-Entropieoptimierung verhindert und gleichzeitig die Anpassungsfähigkeit und Leistung bei visuellen sowie sprachbasierten Aufgaben verbessert.
Die Arbeit stellt CovertComBench vor, einen spezialisierten Benchmark zur Bewertung von LLMs in der drahtlosen verdeckten Kommunikation, der zeigt, dass diese Modelle zwar bei Konzepten und Code stark sind, jedoch bei den für Sicherheitsgarantien erforderlichen mathematischen Herleitungen erhebliche Defizite aufweisen.
Diese Arbeit stellt einen effizienten Algorithmus auf Basis der Spaltengenerierung vor, um das konvexe Multi-Commodity-Flow-Problem in Telekommunikationsnetzen zu lösen, bei dem die Kosten mit der Auslastung der Verbindungen konvex ansteigen, und bietet dabei Lösungen sowohl für splittbare als auch für unteilbare Flussvarianten.
Diese Arbeit stellt das OWO-FMTL-Framework vor, ein Online-in-Online-Verfahren für faire Multi-Task-Lernprozesse in KI-gestützten Funkzugangsnetzen, das durch adaptive Priorisierungen und einen primaldualen Mechanismus langfristige Gleichheit bei geringem Rechenaufwand gewährleistet.
Diese Arbeit stellt das NP-vollständige Problem des optimalen Umrisses mobiler Basisstationen (MOT) in weitläufigen IoT-Sensornetzwerken vor und entwickelt einen polynomiellen Greedy-Algorithmus, der Reisekosten, Abdeckungsgewinn und Restriktionszonen berücksichtigt, um effiziente Touren für die Datensammlung zu planen und dabei den aktuellen Stand der Technik um 39,15 % zu übertreffen.
Die Studie zeigt, dass kanalzentrische Modelle für private 5G-Netze die End-to-End-Durchsatzleistung unzureichend vorhersagen, da sie die dynamische Anpassung von MIMO-Schichten überbewerten, während datengetriebene Ansätze wie Gauß-Prozesse deutlich genauere Ergebnisse liefern.
Diese Arbeit stellt ein hierarchisches Reinforcement-Learning-Framework vor, das digitale Netzwerkkopien und robuste adversarielle Verluste nutzt, um gemeinsam die Antennenneigung und die Datenquellenstrategie in mobilen Netzen zu optimieren und dabei die Datenerfassungsverzögerung signifikant zu reduzieren.
Diese Arbeit stellt ein hybrides, auf Proximal Policy Optimization (PPO) und Linearer Programmierung basierendes Optimierungsverfahren für ein semantikbasiertes, RIS-gestütztes Fahrzeug-Edge-Computing-System vor, das die End-to-End-Latenz im Vergleich zu bestehenden Methoden um 40–50 % reduziert.
Die Studie „PixelConfig" analysiert mittels eines Reverse-Engineering-Frameworks die Konfigurationen des Meta-Pixels auf tausenden Gesundheits- und Kontroll-Websites und stellt fest, dass sensible Daten trotz eingesetzter Schutzmechanismen aufgrund standardmäßig aktiver Tracking-Funktionen häufig erfasst werden.
Diese Arbeit stellt HR-GAT vor, ein hierarchisches Graph-Attention-Netzwerk, das mithilfe von Geodaten die Spektrumnachfrage präziser vorhersagt als herkömmliche Modelle und dabei räumliche Autokorrelationen effektiv berücksichtigt.
Die Studie zeigt, dass das 802.11-MAC-Protokoll in nicht-kooperativen Umgebungen zu ineffizienten Nash-Gleichgewichten führt, während ein idealisiertes Protokoll durch die Entkopplung der Ressourcenallokation von den Übertragungsstrategien höhere Durchsätze für alle Knoten ermöglicht.
Diese Arbeit definiert das Problem der Rollenklassifizierung von Hosts in Unternehmensnetzwerken und stellt zwei praktische Algorithmen vor, die Hosts basierend auf Verbindungsmustern gruppieren, um die Netzwerkstruktur zu vereinfachen und die Verwaltung sowie Überwachung zu verbessern.
Diese Arbeit stellt eine datengesteuerte Methode vor, die mithilfe von Geodatenanalyse und maschinellem Lernen die räumlich-zeitlichen Muster der Spektrumnachfrage in 6G-Netzen modelliert, um Regulierungsbehörden bei der Entwicklung flexibler Zugriffsschemata zu unterstützen.
Dieser Beitrag entwickelt ein analytisches MAC-PRR-Modell für den NR-Sidelink-Modus 2, das spezifische SPS-Mechanismen wie Kollisionen bei der Ressourcenneuwahl und persistente Kollisionen explizit berücksichtigt, um durch ns-3-Simulationen validierte Erkenntnisse für die Zuverlässigkeitsoptimierung zukünftiger 6G-Kommunikation zu liefern.
Diese Arbeit schlägt einen adaptiven semantischen Kommunikationsansatz vor, der durch eine effiziente Zerlegung des Problems in Teilprobleme die gemeinsame Zuordnung von Nutzern und Ressourcen in 5G-Netzen optimiert, um die Systemnutzung unter Energie- und Latenzbeschränkungen zu maximieren.
Die vorgestellte Arbeit verbessert das Contact Graph Routing in verzögerungstoleranten Satellitennetzwerken, indem sie durch Kontaktteilung und Kantenbeschneidung Routen findet, die Kapazitäts- und Pufferbeschränkungen bereits während der Pfadsuche berücksichtigen, um Kollisionen zu vermeiden und die Zustellzeit zu minimieren.
Die Arbeit stellt DEBT control vor, ein Protokoll für Routing und Flusskontrolle in Zahlungsnetzwerken, das durch preisbasierte Mechanismen und Gradientenabstieg eine optimale Betriebszustandskonvergenz für stabile Nachfragemuster gewährleistet.
Diese Arbeit stellt ein System für vernetzte Mixture-of-Experts (NMoE) im mobilen Edge-Computing vor, das durch eine effiziente, datenschutzkonforme Federated-Learning-Strategie die Herausforderungen beim Training großer KI-Modelle auf ressourcenbeschränkten Endgeräten adressiert.
Diese Studie stellt eine Methode vor, die Prozessmining nutzt, um Netzwerkverkehr von Videospielen wie Clash Royale und Rocket League zu analysieren, interpretierbare Petri-Netze zur Zustandsmodellierung zu generieren und die Spiele basierend auf dem Datenverkehr erfolgreich zu klassifizieren.