|
ID persistente do conjunto de dados
|
doi:10.60879/UFG/NRUYOP |
|
Data de Publicação
|
2025-11-18 |
|
Título
| SLArch: arquitetura de Split Learning orientada a métricas de rede para desempenho de redes móveis B5G/6G |
|
Título alternativo
| SLArch: A Network Metric-aware Split Learning Architecture for B5G/6G Mobile Networks |
|
URL alternativo
| https://github.com/LABORA-INF-UFG/SplitLearning-B5G |
|
Autor
| Reis, Cleyber Bezerra dos (Universidade Federal de Goiás - UFG, Instituto de Informática) - ORCID: https://orcid.org/0009-0000-1093-581X |
|
Entre em contato
|
Use o botão de e-mail acima para entrar em contato.
Reis, Cleyber Bezerra dos (Universidade Federal de Goiás - UFG, Instituto de Informática) [1676] |
|
Descrição
| O conjunto de dados reúne métricas de rede e de aprendizado geradas por simulações integradas entre o NS-3/5G-LENA e o pipeline de Split Learning via ns3-ai. Seu propósito é avaliar como latência, throughput, jitter, taxa de perda de pacotes e energia influenciam a estabilidade e a convergência do treinamento distribuído em cenários 5G/B5G com diferentes slices (URLLC, eMBB, mMTC), numerologias e cargas de tráfego. Os dados incluem séries temporais, estatísticas agregadas e resultados de acurácia, todos exportados em CSV, permitindo análises quantitativas comparáveis e reprodutíveis. O escopo abrange desde a configuração do cenário (gNBs, UEs, BWPs) até a coleta final das métricas, fornecendo uma base estruturada para estudar a relação entre comportamento da rede e desempenho do aprendizado distribuído. |
|
Assunto
| Computação e Ciência da Informação |
|
Palavra-chave
| Convolutional Neural Network (CNN)
Split learning
ns-3 (5G-LENA, ns3-ai)
B5G/6G Mobile Networks
Network metrics |
|
Classificação de tópicos
| Computer Science |
|
Publicação relacionada
| Is Cited By: REIS, C. B. SLArch: Arquitetura de Split Learning Orientada a Métricas de Rede para Desempenho de Redes Móveis B5G/6G. 2025. 95p. Dissertação (Mestrado em Ciência da Computação) - Instituto de Informática, Universidade Federal de Goiás, Goiânia, 2025. handle 14892 https://repositorio.bc.ufg.br/tede/handle/tede/14892 |
|
Notas
| Split Learning (SL) é um paradigma de aprendizado colaborativo no qual um modelo de rede neural é particionado entre cliente e servidor, possibilitando treinamento distribuído sem a necessidade de compartilhar os dados originais. Nesta dissertação, investigamos uma arquitetura de SL sensível às condições de rede, desenvolvida no simulador Network Simulator 3 (ns-3) com o módulo 5G-LENA e a interface ns3-ai, a fim de avaliar a viabilidade desse paradigma em cenários Beyond 5G (B5G) e 6G. O framework proposto, denominado Split-Learning-ns3, constitui uma infraestrutura aberta, reprodutível e extensível, capaz de integrar processos de aprendizado de máquina a dinâmicas realistas de rede, considerando métricas como latência, vazão, jitter, taxa de perda de pacotes (PLR) e consumo energético. Para validar a proposta, estabelecemos um protocolo experimental com redes neurais convolucionais (CNN) treinadas sobre o conjunto de dados MNIST, distribuídas entre diferentes fatiamentos (URLLC, eMBB, mMTC) sob múltiplas numerologias e configurações de parte de largura de banda (BWP). Os resultados mostram que a PLR é o fator dominante para a convergência, enquanto latência e vazão exercem influência moderada; contudo, o jitter e o consumo energético apresentam papéis mensuráveis, porém secundários. A análise por fatiamento confirma que o URLLC assegura menor latência, o eMBB concentra maior vazão e o mMTC demonstra maior eficiência energética. Esses achados reforçam a importância da confiabilidade do enlace e da alocação de recursos para o desempenho do SL em condições realistas. Além de fornecer uma base metodológica reprodutível, esta dissertação oferece evidências empíricas para o treinamento distribuído resiliente e energeticamente eficiente na borda da rede sem fio (wireless edge), com aplicações potenciais em setores críticos como saúde, transporte autônomo e Indústria 4.0. |
|
Produtor
| Oliveira Júnior, Antonio Carlos de (Universidade Federal de Goiás - UFG, Instituto de Informática) https://orcid.org/0000-0003-3595-3525 |
|
Local de produção
| Laboratório LABORA/INF/UFG |
|
Depositante
| Oliveira, Anne |
|
Data do depósito
| 2025-11-10 |
|
Período coberto
| Start Date: 2025-02-17; End Date: 2025-10-14 |
|
Data de Coleta
| Start Date: 2025-02-16; End Date: 2025-10-14 |
|
Tipo de dados
| Dados automaticamente gerados por programas de computador; Dados de simulação; Dados documentais; Dados experimentais |
|
Software
| Simulador Network Simulator 3 (ns-3), Version: Versão 3.45 |
|
Fontes de dados
| Yin, Hao & Liu, Pengyu & Liu, Keshu & Cao, Liu & Zhang, Lyutianyang & Gao, Yayu & Hei, Xiaojun. (2020). ns3-ai: Fostering Artificial Intelligence Algorithms for Networking Research. 57-64. DOI10.1145/3389400.3389404.; H. Yu et al., "Distributed Split Learning for Map-Based Signal Strength Prediction Empowered by Deep Vision Transformer," in IEEE Transactions on Vehicular Technology, vol. 73, no. 2, pp. 2358-2373, Feb. 2024. DOI: 10.1109/TVT.2023.3320643.; Z. Zhang, A. Pinto, V. Turina, F. Esposito and I. Matta, "Privacy and Efficiency of Communications in Federated Split Learning," in IEEE Transactions on Big Data, vol. 9, no. 5, pp. 1380-1391, Oct. 2023. DOI: 10.1109/TBDATA.2023.3280405.; S. Lagén, B. Bojović, K. Koutlia, X. Zhang, P. Wang and Q. Qu, "QoS Management for XR Traffic in 5G NR: A Multi-Layer System View and End-to-End Evaluation," in IEEE Communications Magazine, vol. 61, no. 12, pp. 192-198, December 2023. DOIi: 10.1109/MCOM.015.2200745.; Koutlia, K. et al. System analysis of QoS schedulers for XR traffic in 5G NR, Simulation Modelling Practice and Theory, vol. 125, May 2023. DOI: 10.1016/j.simpat.2023.102745.; Silva, R. S.; Oliveira, R. R.; Carvalho, L. (2024). Federated Intelligence over 6G Communication Networks. SBrt, Out. 2024. DOI: 10.14209/sbrt.2024.1571036460 |
