En considérant l'énergie limitée des appareils de l'Internet des objets (IoT). Nous prenons l'allocation des ressources pour garantir la qualité de service (QoS) rigoureuse en fonction de l'optimisation conjointe du contrôle de puissance et de la longueur de bloc finie du canal. Pour atteindre de grands volumes de taux d'arrivée, nous proposons des réseaux d'adversaires génératifs basés sur la formation adversariale (AT-GAN), qui utilisent un nombre important d'événements extrêmes pour fournir une fiabilité élevée et ajuster les données réelles en temps réel. Les résultats de la simulation montrent que l'apprentissage par renforcement profond (Deep-RL) pour AT-GAN pourrait éliminer le temps d'entraînement transitoire. En conséquence, l'AT-GAN conserve une fiabilité supérieure à 99,9999 %.

Al considerar la energía limitada de los dispositivos de Internet de las cosas (IoT). Tomamos la asignación de recursos para garantizar la estricta Calidad de Servicio (QoS) en función de la optimización conjunta del control de potencia y la longitud de bloque finita del canal. Para lograr grandes volúmenes de tasas de llegada, proponemos Adversarial Training based Generative Adversarial Networks (AT-GANs), que utilizan un número significativo de eventos extremos para proporcionar una alta fiabilidad y ajustar los datos reales en tiempo real. Los resultados de la simulación muestran que Deep-Reforcement Learning (Deep-RL) para AT-GAN podría eliminar el tiempo de entrenamiento transitorio. Como resultado, la AT-GAN mantiene la fiabilidad por encima del 99,9999%.

By considering the limited energy of Internet of Things (IoT) devices. We take the resource allocation to guarantee the stringent Quality of Service (QoS) depending on the joint optimization of power control and finite blocklength of channel. To achieve large volumes of arrival rates, we propose Adversarial Training based Generative Adversarial Networks (AT-GANs), which utilize a significant number of extreme events to provide high reliability and adjust real data in real-time. Simulation results show that Deep- Reinforcement Learning (Deep-RL) for AT-GAN could eliminate the transient training time. As a result, the AT-GAN keeps the reliability higher than 99.9999%.

من خلال النظر في الطاقة المحدودة لأجهزة إنترنت الأشياء (IoT). نأخذ تخصيص الموارد لضمان الجودة الصارمة للخدمة (QoS) اعتمادًا على التحسين المشترك للتحكم في الطاقة وطول الكتلة المحدود للقناة. لتحقيق كميات كبيرة من معدلات الوصول، نقترح شبكات الخصومة التوليدية القائمة على التدريب التخاصمي (AT - GANs)، والتي تستخدم عددًا كبيرًا من الأحداث المتطرفة لتوفير موثوقية عالية وضبط البيانات الحقيقية في الوقت الفعلي. تظهر نتائج المحاكاة أن تعلم التعزيز العميق (Deep - RL) لـ AT - GAN يمكن أن يلغي وقت التدريب العابر. ونتيجة لذلك، يحافظ AT - GAN على الموثوقية أعلى من 99.9999 ٪.