102 Arbeiten
Diese Arbeit stellt DARIO vor, ein O-RAN-konformes Framework, das mithilfe von Stochastischer Netzwerkrechnung und einem Heuristik-Algorithmus Reconfigurable Intelligent Surfaces (RIS) dynamisch zuweist, um die Verzögerung in 6G-Netzen für latenzkritische Anwendungen signifikant zu reduzieren.
Diese Arbeit stellt ein neuartiges Framework für die IBN-Orchestrierung in 5G- und 6G-Netzen vor, das eine hierarchische Multi-Agenten-Architektur nutzt und zeigt, dass Small Language Models (SLMs) im Vergleich zu Large Language Models (LLMs) bei gleicher Übersetzungspräzision die Gesamtabwicklungsgeschwindigkeit des IBN-Lebenszyklus um 20 % steigern können.
Die vorgestellte Arbeit schlägt ein Digital-Twin-gestütztes Framework namens DAPR vor, das asynchrones Federated Learning, ein GRU-VAE-Vorhersagemodell und Deep Reinforcement Learning kombiniert, um die Client-Auswahl, die Genauigkeit der Inhaltsvorhersage und die dynamische Ressourcenallokation in der kooperativen Caching von Fahrzeug-Edge-Computing zu optimieren und somit die Cache-Trefferquote zu erhöhen sowie die Übertragungsverzögerung zu verringern.
Diese Studie untersucht, wie verschiedene Graphkonstruktionstechniken die Leistung von Graph Neural Networks bei der Erkennung von IoT-Botnets beeinflussen, und stellt fest, dass die Gabriel-Graph-Methode mit einer Genauigkeit von 97,56 % die beste Detektionsleistung erzielt.
Die Autoren demonstrieren auf AMD/Xilinx RFSoC-basierten Software-defined Radios ein vollständig vernetztes Mesh-System aus vier Drohnen, das über zwölf gleichzeitige 2x2-MIMO-Links eine aggregierte Datenrate von 1,2 Gbps erreicht und dabei Echtzeit-4K-Videostreams ohne Komprimierung unterstützt.
Die Studie stellt SDN-SYN PoW vor, eine adaptive Verteidigungsarchitektur, die Software-Defined Networking mit nicht-interaktiven Proof-of-Work kombiniert, um SYN-Flut-Angriffe im Multi-Domain-Bereich durch dynamische, kontextabhängige Schwierigkeitsanpassung effektiv abzuwehren, ohne legitime Clients zu belasten.
Die Arbeit stellt SIL-GPO vor, einen auf Graph-Attention-Netzwerken und Selbst-Imitationslernen basierenden Reinforcement-Learning-Ansatz, der die Orchestrierung von Edge-AI-Mikrodiensten durch gleichzeitige Optimierung von Bereitstellung und Routing unter ressourcenbeschränkten Bedingungen effizienter gestaltet als bestehende Methoden.
Die Arbeit stellt pqRPKI vor, ein praktisches Post-Quantum-RPKI-Framework, das durch die Kombination von RPKI-Objekten mit einer mehrschichtigen Merkle-Baum-Leiter (MTL) und einer angepassten Manifest-Struktur die Bandbreiten- und Rechenkosten bei gleichzeitiger Aufrechterhaltung der Kompatibilität mit bestehenden RSA-Systemen erheblich senkt.
Diese empirische Studie untersucht, wie sich die stochastische Verzögerung und Jitter von 5G-Netzen auf die Zeitgesteuerte Schaltung (TAS) in 5G-TSN-Netzwerken auswirken, und zeigt, dass die Einhaltung deterministischer Anforderungen eine sorgfältige Anpassung der TAS-Offset-Parameter basierend auf hochprozentilenbasierten 5G-Latenzgrenzen erfordert.
Diese Studie stellt eine hardware-effiziente und erklärbare Störungserkennung für 5G-Netze vor, die auf dem Convolutional Tsetlin Machine (CTM) basiert und im Vergleich zu herkömmlichen neuronalen Netzen eine deutlich geringere Speichernutzung sowie schnellere Trainingszeiten bei vergleichbarer Genauigkeit auf realen SSB-Daten bietet.
Diese Arbeit stellt einen leichten, auf digitalen Zwillingen basierenden Rahmen für die Fahrzeugverfolgung und Kollisionsvorhersage vor, der ohne komplexe Trajektorienvorhersagemodelle auskommt und sich durch geringen Rechenaufwand für den Echtzeit-Einsatz an Edge-Geräten in intelligenten Verkehrssystemen eignet.
Die vorgestellte Uber-Failover-Architektur (UFA) optimiert die Hyperscale-Microservice-Infrastruktur, indem sie ein einheitliches 2x-Kapazitätsmodell durch eine differenzierte Strategie ersetzt, die nicht-kritische Dienste bei Bedarf vorübergehend unterbricht, um die Auslastung von 20 % auf 30 % zu steigern, über eine Million CPU-Kerne einzusparen und gleichzeitig eine Verfügbarkeit von 99,97 % zu gewährleisten.
Die Arbeit stellt den Algorithmus „Spectra" vor, der durch eine dreistufige Strategie aus Zerlegung, lastbewusster Zuweisung und Lastausgleich die Scheduling-Zeit für parallele optische Schaltkreise in KI-Trainings-Netzwerken unter Berücksichtigung von Rekonfigurationsverzögerungen signifikant reduziert und dabei die Leistung bestehender Methoden um den Faktor 1,4 bis 2,4 verbessert.
Diese Studie präsentiert die erste physikalische Testumgebung für das Internet of Mirrors (IoM), die vier Berechnungsplatzierungsstrategien unter realen Netzwerkbedingungen bewertet und zeigt, dass die optimale Entscheidung zwischen Edge- und Cloud-Verarbeitung von Netzwerkkapazität, Knotenproximität und Auslastung abhängt, um Latenz und Ressourcenverbrauch auszubalancieren.
Die Studie stellt StageFinder vor, ein Framework zur temporalen Graphenanalyse von Provenienzdaten, das durch die Kombination von Graph Neural Networks und LSTM-Modellen eine präzise und stabile Schätzung von Angriffsstadien innerhalb der APT-Kill-Chain ermöglicht.
Die Arbeit stellt „Structured Gossip DNS" vor, ein partitionstolerantes DNS-System für Internet-Skala, das durch die Nutzung von DHT-Fingertabellen und passiver Stabilisierung die Nachrichtenkomplexität auf reduziert und dabei ohne globale Koordination eine eventual consistency gewährleistet.
Die vorgestellte Arbeit führt den CDA-ND-Algorithmus ein, der durch kombinatorische Daten-Augmentierung und die Analyse von Verschiebungsvektoren zwischen geschätzten Positionen eine zuverlässige Hard- und Soft-Entscheidung zur NLoS-Erkennung ermöglicht, was in 6G-Umgebungen zu einer signifikanten Reduktion des Positionsfehlers führt.
Diese Arbeit stellt einen energieeffizienten Online-Scheduling-Algorithmus für drahtlos gespeiste Mobile-Edge-Computing-Netzwerke vor, der auf Lyapunov-Optimierung und einer Relax-and-Adjust-Strategie basiert, um die Herausforderung der gemeinsamen Ressourcenallokation für Energieübertragung und Aufgabenabwicklung bei mehreren Endgeräten und Zugangspunkten zu lösen.
Die Arbeit stellt PreHO vor, einen prädiktiven Handover-Mechanismus für LEO-Satellitennetzwerke, der die stationäre Position der Nutzer und die vorhersehbaren Kanalzustände nutzt, um Handover-Entscheidungen proaktiv zu planen und damit Signalaufwand sowie Latenz im Vergleich zu herkömmlichen reaktiven Ansätzen signifikant zu reduzieren.
Diese Arbeit stellt einen topologischen Rahmen vor, der die Hodge-Zerlegung nutzt, um in serverlosen Plattformen auftretende komplexe Informationsflüsse in lokal korrigierbare Komponenten und globale harmonische Moden zu zerlegen, um strukturelle Ineffizienzen zu identifizieren und gezielte Remediationsstrategien zu entwickeln.