УДК 004.733

Сценарии комплексного использования пассивных оптических сетей и граничных вычислений с множественным доступом для решения проблем качества обслуживания (qos) в сетях нового поколения

Грудинин Владимир Алексеевич – доцент факультета инфокоммуникационных технологий Санкт-Петербургского национально-исследовательского университета информационных технологий, механики и оптики

Кочетков Михаил Васильевич – Санкт-Петербургского национально-исследовательского университета информационных технологий, механики и оптики

Ляховой Валентин Вадимович – Санкт-Петербургского национально-исследовательского университета информационных технологий, механики и оптики

Аннотация: Парадигма роста приложений чувствительных к задержкам, обусловлена поддержкой таких технологий, как сети 5G, взаимодействие человек-машина/робот (H2M/R), а также тактильный интернет. Такие приложения в сочетании с экспоненциальным ростом подключенных устройств подтолкнули к изменениям в архитектуре и пропускной способности проводных и беспроводных сетей. Пассивные оптические сети (PON) развивались с точки зрения их пропускной способности и функций и теперь поддерживают как фиксированные, так и межсетевые решения для предоставления конечным пользователям экономичных приложений с низкой задержкой и высокой пропускной способностью. В сочетании с граничными вычислениями с множественным доступом (MEC) ресурсоемкие вычислительные задачи приложений могут быть перенесены на серверы, расположенные гораздо ближе к конечным пользователям, что еще больше снижает задержку в сети. В данной работе нами представлен всесторонний обзор возможного интегрирования PON-MEC сетей в доставке новых приложений, чувствительных к задержкам. Также подробно описаны конкретные сценарии использования таких сетей.

Ключевые слова: пограничные вычисления с множественным доступом, пассивные оптические сети, качество обслуживания, сети нового поколения, сети 5G.

  1. Введение

С распространением сетей 5G, Интернета вещей (IoT) [1] и межмашинного взаимодействия (M2M) [2] внимание теперь сосредоточено на сетевых парадигмах следующего поколения, включая сети 6G и тактильный интернет [3,4]. Проводные и беспроводные сети связи будут продолжать быстро развиваться как с точки зрения их архитектуры, так и с точки зрения возможностей для поддержки стремительного роста чувствительных к задержкам приложений для взаимодействия человека с машиной/роботом (H2M/R), таких, как дополненная реальность/виртуальная реальность (AR/VR) [5], автоматизация промышленности [6], телехирургия [7] и интеллектуальные транспортные системы (ИТС) [8].

Сегодня, бесперебойная доставка чувствительных к задержкам и надежных услуг в сетях 5G реализуется за счет таких технологий, как граничные вычисления с множественным доступом (MEC) [9,10] и туманные вычисления [11]. До MEC облачные сервисы, такие как вычисления, хранение и кэширование, часто выполнялись в централизованных центрах обработки данных на большом расстоянии от конечных пользователей [12]. В результате пользовательские данные испытывали большие задержки при распространении, что не позволяло базовым сетям соответствовать строгим требованиям приложений к сквозной задержке. Чтобы преодолеть эту проблему, MEC позволил приблизить облачные вычисления и ИТ-услуги к конечным пользователям за счет размещения серверов MEC на границе сети доступа [9,13,14]. Вместо того, чтобы данные проходили через мобильную транспортную сеть или базовые сети, вычисления, хранение и кэширование теперь выполняются на границе сети доступа [15].

Недавние исследования MEC и 5G выявили преимущества использования оптоволоконных сетей для поддержки растущего числа подключенных устройств и их приложений, ориентированных на качество обслуживания (QoS). Оптическое волокно обладает высокой пропускной способностью и малой задержкой распространения. Используя преимущества оптического волокна, которое уже развернуто в большинстве городских районов, расположенных рядом с жилыми и промышленными помещениями, экономичная и высокопроизводительная пассивная оптическая сеть (PON) стала оптимальным выбором для фронтальной и транзитной передачи сетей 5G. [16]. PON развивалась на протяжении многих лет с точки зрения ее архитектуры, аппаратного обеспечения, пропускной способности и базовых протоколов и алгоритмов [17]. Эти разработки в сочетании с развертыванием оптоволокна, которое в настоящее время достигло жилых и коммерческих помещений, позволили предоставлять услуги большому количеству пользователей.

  1. Сетевая архитектура

В некоторых источниках появилась информация об интеграции сетей PON и MEC как подходящего решения для предоставления широкополосного доступа для удовлетворения требований QoS. Архитектура интегрированной сети PON-MEC схематично показана на рисунке 1, где OLT PON связывает централизованное облако через опорную сеть и Интернет с N количеством ONU через пассивный сплиттер. ONU сосуществуют с мобильными базовыми станциями и подключаются к серверам MEC, размещенным на границе RAN. В такой интегрированной сети PON-MEC серверы MEC поддерживают не только мобильных пользователей, но и проводных клиентов через ONU. Также важно отметить, что не все мобильные услуги требуют мобильности и, следовательно, выиграют от ресурсов фиксированной оптической сети, подключенных к RAN.

image001

Рисунок 1. Архитектура граничных вычислений с множественным доступом (MEC).

  1. Случаи использования

Как уже было сказано, PON и MEC имеют неотъемлемые характеристики для поддержки новых вариантов использования с учетом QoS. В этом разделе представлено описание того, как интеграция PON с высокой пропускной способностью и MEC может удовлетворить требования QoS в различным сценариях использования.

    3.1. Беспроводные сети x-haul 5G

Благодаря растущему количеству мобильных устройств и использованию искусственного интеллекта мобильные технологии постоянно и быстро развиваются. Быстрое развертывание беспроводной технологии 5G невообразимым образом изменило возможности сети. Чтобы решить насущную проблему обеспечения мобильной связи для постоянно растущего числа подключенных устройств и все более строгих требований к качеству обслуживания, как академические круги, так и промышленность недавно начали исследовать технологию мобильной связи шестого поколения 6G. Предполагается, что мобильная технология 6G сможет обеспечить пиковую скорость передачи данных 100 Гбит/с, и сверхнизкую задержку менее 1 мс в вездесущих зонах покрытия.

Эти будущие беспроводные сети 5G/6G с высокой пропускной способность должны поддерживаться дополнительными высокопроизводительными и защищенными транспортными сетями как для обратной/передней передачи беспроводных ячеек, так и для передачи всех беспроводных данных в городской сети [18]. В частности, предполагается, что новые беспроводные сети 6G будут состоять из сверхмалых беспроводных сот для достижения требуемой пропускной способности и требований к покрытию. Поскольку более высокая плотность ячеек может привести к более дорогостоящему транспортному соединению x-haul [19], такое уплотнение ячеек требует экономичных решений x-haul для достижения глобальных бизнес-целей.

Традиционная транспортная сеть обычно состоит из прямых оптоволоконных/беспроводных соединений P2P между узлами сотовой связи и ядром сети, которые обычно называют транзитными соединениями. Однако, чтобы справиться с растущими требованиями экономичным и энергоэффективным способом, новая парадигма централизованной обработки мобильных сигналов была впервые представлена с помощью технологии 4G [20]. Облачная/централизованная сеть радиодоступа (C-RAN) является одной из основных архитектур, развернутых в настоящее время, поскольку централизованная обработка данных позволяет использовать расширенные функции совместной беспроводной связи. В C-RAN все функции сосредоточены в блоке обработки основной полосы частот (BBU). Радиочастотные функции выполняются на удаленной радио-головке (RRH), расположенной в антенной ячейке. В этой архитектуре радиочастотные сигналы оцифровываются и отправляются по оптоволокну в централизованный BBU с использованием общего интерфейса радиосвязи (CPRI).

В собственной C-RAN полоса пропускания, необходимая для этого оцифрованного сигнала, масштабируется в зависимости от физических параметров антенны. Например, количества портов антенны и используемой полосы пропускания беспроводной связи. Однако из-за большого количества антенных портов, используемых в сетях 5G и выше, передняя линия связи между BBU и RRH, требует каналов с чрезвычайно высокой пропускной способностью. Например, использование CPRI для поддержки фронта с полосой пропускания 200 МГц, 64 QAM, 8X12 MIMO и 96 антенными портами потребует канала 896 Гбит/с [21]. Спрос на каналы с такой высокой пропускной способностью делает C-RAN неприемлемой архитектурой.

Решением этой проблемы является перенос некоторых функций обратно на соты. Существует десять различных стандартизированных способов, называемых вариантами функционального разделения, в которых функции могут быть разделены между BBU и RRH [22]. В новейшей транспортной архитектуре 5G функции BBU разделены на три объекта: централизованное устройство (ЦУ), распределенное устройство (ДУ) и удаленное устройство (РУ). Этот новый дизайн в 5G упрощает виртуализацию RAN с гибким распределением вычислительных ресурсов. Варианты функционального разделения и требуемые для них скорости передачи данных по оси x показаны на рисунке 2.

image002

Рисунок 2. Функциональные опции 5G с поддержкой оптических технологий x-haul.

По сравнению с другими конкурирующими технологиями доступа, PON может играть решающую роль в реализации высокопроизводительных, но недорогих межсетевых соединений. [23]. Также стоит упомянуть, что, хотя PON не может поддерживать варианты функционального разделения нижнего уровня, такие, как вариант 8 и 7.1, из-за ограничения пропускной способности, он по-прежнему является подходящим кандидатом для поддержки вариантов функционального разделения выше 7.2 (см. рис. 2). В частности, PON может легко поддерживать сеть 5G с вариантами функционального разделения уровня 7.2 или выше, и это конкретное использование PON рассматривается в последних архитектурах RAN, таких как Open Intelligent RAN (O-RAN) [24].

Однако существуют проблемы, требующие решения при рассмотрении решений x-haul на основе PON. Принимая во внимание принципы искусственного интеллекта и доступности, архитектура O-RAN стандартизирована для построения виртуализированных RAN на открытом оборудовании с помощью искусственного интеллекта. Учёные предполагают обобщенную структуру оптимизации на основе целочисленного линейного программирования, которую можно использовать для совместного планирования сетей x-haul на основе PON и беспроводных сетей 5G, чтобы обеспечить оптимальный с точки зрения затрат проект сети в любом заданном сценарии развертывания и независимо от используемой архитектуры RAN. Кроме того, структура учитывает разнообразный набор сетевых требований, таких как покрытие сети и возможности конечного пользователя. Анализ различных сценариев развертывания 5G RAN и x-haul показывает, что варианты x-haul на основе PON могут сэкономить от 30 до 40% стоимости развертывания по сравнению с вариантом x-haul на основе оптоволокна P2P.

Другой ключевой вопрос связан с управлением ресурсами и их распределением. Как в сетях PON, так и в сетях 5G все RU и конечные пользователи используют одну и ту же полосу пропускания. Из-за этой общей полосы пропускания два основных фактора могут серьезно повлиять на задержку, а именно окно обнаружения и алгоритм распределения полосы пропускания. Окно обнаружения, которое OLT периодически открывает для вновь регистрируемых ONU, может вызывать задержки в x-haul. В ближайшем будущем интегрирование x-haul PON-MEC для сетей 5G должно включать дополнительные технологии, включая машинное обучение, разделение сети и NVF, чтобы соответствовать строгим требованиям к обслуживанию.

            3.2. Электронное здравоохранение

Здравоохранение значительно изменилось за эти годы. Услуги, которые ранее требовали личного взаимодействия с медицинскими работниками, теперь предоставляются удаленно. Например, были предложены интеллектуальные системы наблюдения за здоровьем с использованием носимых датчиков IoT, которые собирают данные о поведении пользователей. Затем данные датчиков обрабатываются и анализируются с использованием методов машинного обучения и глубокого обучения для выявления пользовательских шаблонов и аномалий. Однако такие приложения чувствительны к задержкам и требуют значительных вычислительных ресурсов, которыми конечный пользователь может не располагать [25]. Таким образом, MEC был предложен для таких приложений, чтобы перенести свои вычислительные и вычислительные задачи на пограничный сервер, расположенный рядом с конечным пользователем. Еще одно новое приложение для электронного здравоохранения - удаленная хирургия. Хирург управляет медицинским роботом, размещенным рядом с пациентом, который повторяет действия хирурга. Из-за жизненно важного характера этого приложения ожидается, что сквозная задержка будет менее 1 мс с надежностью 99,999% [26]. Приложения такого рода выиграют от интеграции PON-MEC, поскольку PON обеспечит высокую пропускную способность и надежность, а MEC обеспечит более быструю обработку данных с использованием машинного обучения на границе сети.

На рисунке 3 показаны интегрированные PON-MEC сети, поддерживающие различные сценарии использования. В частности, серверы MEC размещаются на краю сети и подключаются к ONU, размещенным на базовых станциях. Для приложений наблюдения за здоровьем, данные, генерируемые носимыми датчиками пользователя, будут анализироваться на этих серверах MEC, чтобы идентифицировать пользовательские модели и отправлять предупреждения или уведомления лицам, осуществляющим уход, либо же службам экстренной помощи в случае чрезвычайной ситуации.

image003

Рисунок 3. Варианты использования PON-MEC.

Местоположение и контекстно-зависимая связь вместе с оптоволоконными соединениями высокой пропускной способности обеспечат чувствительную к задержкам доставку услуг в этом сценарии. В таких приложениях, как удаленная хирургия, интеграция MEC-PON сама по себе может не соответствовать строгим требованиям к задержке. Также необходимы дополнительные методы, в том числе искусственный интеллект для прогнозирования потребностей конечных пользователей в ресурсах [27]. Для этой цели можно использовать как MEC, так и централизованные серверы, в зависимости от их вычислительных возможностей и обученных данных, хранящихся в MEC для уменьшения задержки.

           3.3. Индустрия версии 4.0

Индустрия 4.0 предполагает улучшение работы традиционных заводов, чтобы они могли работать более эффективно и быстро адаптироваться к изменяющимся требованиям производственных линий [28]. Сдвиг в этом направлении стал возможным благодаря новым технологиям интернета вещей, методам анализа данных и усовершенствованиям сети, таким как периферийные вычисления. Как обсуждалось в [29], при заводских настройках генерируется большой объем данных. Эти данные можно анализировать и преобразовывать в интеллектуальные данные, которые можно использовать для оптимизации различных аспектов производственного процесса [30]. Например, можно использовать профилактическое обслуживание на основе машинного обучения, когда отказ компонента/устройства прогнозируется заранее, чтобы свести к минимуму время простоя производственного процесса. Командная работа человека, агента и робота (HART) — еще одна многообещающая концепция, которую можно использовать на заводских или независимых от местоположения, но требующих большого количества вычислений услуг [31]. Процесс можно оптимизировать, чтобы выбрать либо робота с ограниченными ресурсами для задач, требующих перемещения из одного места в другое, либо богатого ресурсами облачного агента для задач, требующих больших вычислений.

Услуги промышленной автоматизации такого рода связаны с управлением оборудованием в режиме реального времени, что требует задержки в диапазоне от 25 мкс до 10 мс в зависимости от приложения и значительной обработки данных. Кроме того, из-за критического характера этих приложений ожидается надежность с коэффициентом потери пакетов не менее 10-9 [32]. Таким образом, предпочтительна сетевая архитектура, которая сочетает в себе вычисления MEC с малой задержкой, надежность и высокую пропускную способность PON.

         4. Дополненная реальность/Виртуальная реальность

Дополненная реальность (AR), виртуальная реальность (VR) и расширенная реальность (XR) в последние годы стали популярными технологиями для улучшения цифрового опыта пользователей за счет предоставления цифрового компонента реальному миру, реального жизненного опыта в цифровом мире и сочетание того и другого. В настоящее время эта технология внедряется в медицинском, образовательном, игровом и потоковом секторах [33]. Например, в здравоохранении в настоящее время изучаются такие приложения, как симуляторы хирургического обучения и удаленные медицинские системы с использованием AR и VR [34].

Удаленный мониторинг на основе AR предлагается для выполнения повседневных рутинных действий, выполняемых медицинским работником с использованием роботов, и ожидается, что он будет иметь сравнительно высокую точность, чем другие традиционные системы удаленного мониторинга. Роботизированная хирургия на основе дополненной реальности также предлагается как средство повышения точности при выполнении инвазивной дистанционной хирургии, либо когда хирурги недоступны в медицинском учреждении пациента, либо для снижения риска заражения. На рис. 3 показаны эти две медицинские услуги на основе AR, реализованные с использованием интеграции PON-MEC. Повышенная точность является одной из основных причин выбора AR в качестве подходящего варианта для этого приложения. Для выполнения этого требования необходимо обрабатывать большое количество видео- и аудиоданных. Кроме того, жизненно важные приложения такого рода требуют малой задержки и высокой надежности.

Заключение

В этой статье мы рассмотрели интеграцию пассивных оптических сетей и MEC, и то, как присущие им характеристики помогают приложениям с малой задержкой и ресурсоемкими приложениями. Важность интегрированных сетей PON-MEC наглядно демонстрируется описанными выше вариантами использования. В частности, MEC помогает разгрузить вычисления и хранение рядом с конечным пользователем, тем самым уменьшая задержку, в то время как PON облегчает подключение через оптические каналы с высокой пропускной способностью. Интеграция архитектур PON и MEC является потенциальным решением для предоставления чувствительных к задержкам, но ресурсоемких приложений H2M/R. Такие приложения определяют возможности 5G и 6G, поскольку они требуют задержки в диапазоне миллисекунд, надежного сетевого подключения и обработки значительного объема данных. Для удовлетворения таких строгих требований к качеству обслуживания необходимо учитывать пригодность конвергентной сети PON-MEC с точки зрения различных аспектов, таких как конфигурации PON и MEC, распределение ресурсов между разнородными сегментами сети и дополнительные технологии, такие как машинное обучение, которые могут еще больше сократить задержку за счет дополнительных интеллектуальных функций на границе мобильных устройств.

Список литературы

  1. Zanella, N. Bui, A. Castellani, L. Vangelista, M. Zorzi, Internet of things for smart cities, IEEE Internet Things J. 1 (1) (2014) 22–32, http://dx.doi.org/10. 1109/JIOT.2014.2306328.
  2. Agiwal, A. Roy, N. Saxena, Next generation 5G wireless networks: A comprehensive survey, IEEE Commun. Surv. Tutor. 18 (3) (2016) 1617–1655, http://dx.doi.org/10.1109/COMST.2016.2532458.
  3. Maier, A. Ebrahimzadeh, Towards immersive tactile internet experiences: Low-latency FiWi enhanced mobile networks with edge intelligence [Invited], J. Opt. Commun. Netw. 11 (4) (2019) B10–B25, http://dx.doi.org/10.1364/JOCN. 11.000B10.
  4. Wong, M. Pubudini Imali Dias, L. Ruan, Predictive resource allocation for tactile internet capable passive optical LANs, J. Lightwave Technol. 35 (13) (2017) 2629–2641, http://dx.doi.org/10.1109/JLT.2017.2654365.
  5. Al-Falahy, O.Y. Alani, Technologies for 5G networks: Challenges and oppor tunities, IT Prof. 19 (1) (2017) 12–20, http://dx.doi.org/10.1109/MITP.2017. 9.
  6. D. Xu, W. He, S. Li, Internet of things in industries: A survey, IEEE Trans. Ind. Inform. 10 (4) (2014) 2233–2243, http://dx.doi.org/10.1109/TII.2014.2300753. [7] S.M.R. Islam, D. Kwak, M.H. Kabir, M. Hossain, K.-S. Kwak, The internet of things for health care: A comprehensive survey, IEEE Access 3 (2015) 678–708, http://dx.doi.org/10.1109/ACCESS.2015.2437951.
  7. M.R. Islam, D. Kwak, M.H. Kabir, M. Hossain, K.-S. Kwak, The internet of things for health care: A comprehensive survey, IEEE Access 3 (2015) 678–708, http://dx.doi.org/10.1109/ACCESS.2015.2437951.
  8. P.I. Dias, E. Grigoreva, C.M. Machuca, L. Wosinska, E. Wong, Delay constrained framework for road safety and energy-efficient intelligent transporta tion systems, in: 2017 European Conference on Optical Communication (ECOC), 2017, pp. 1–3, http://dx.doi.org/10.1109/ECOC.2017.8346010.
  9. Taleb, K. Samdanis, B. Mada, H. Flinck, S. Dutta, D. Sabella, On multi-access edge computing: A survey of the emerging 5G network edge cloud architecture and orchestration, IEEE Commun. Surv. Tutor. 19 (3) (2017) 1657–1681, http: //dx.doi.org/10.1109/COMST.2017.2705720.
  10. [Multi Access Edge Computing (MEC); Phase2: Use Cases and Requirements, Standard ETSI GS MEC 002 V2.1.1, 2018.
  11. Zou, Y. Jin, P. Nevalainen, Y. Huan, J. Heikkonen, T. Westerlund, Edge and fog computing enabled AI for IoT-An overview, in: 2019 IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS), 2019, pp. 51–56, http://dx.doi.org/10.1109/AICAS.2019.8771621.
  12. Wang, Y. Ji, J. Zhang, L. Bai, M. Zhang, Low-latency oriented network planning for MEC-enabled WDM-PON based fiber-wireless access networks, IEEE Access 7 (2019) 183383–183395, http://dx.doi.org/10.1109/ACCESS.2019. 2926795.
  13. Zhang, W. Xie, F. Yang, Q. Bi, Mobile edge computing and field trial results for 5G low latency scenario, China Commun. 13 (Supplement2) (2016) 174–182, http://dx.doi.org/10.1109/CC.2016.7833471.
  14. [Y. Yu, Mobile edge computing towards 5G: Vision, recent progress, and open challenges, China Commun. 13 (Supplement2) (2016) 89–99, http://dx.doi.org/ 10.1109/CC.2016.7833463.
  15. Lee, S. Lee, M.-K. Shin, Low cost MEC server placement and association in 5G networks, in: 2019 International Conference on Information and Communication Technology Convergence (ICTC), 2019, pp. 879–882, http://dx.doi.org/10.1109/ ICTC46691.2019.8939566.
  16. Wong, Next-generation broadband access networks and technologies, J. Lightwave Technol. 30 (4) (2012) 597–608, http://dx.doi.org/10.1109/JLT.2011. 2177960.
  17. Ranaweera, J. Kua, I. Dias, E. Wong, C. Lim, A. Nirmalathas, 4G to 6G: Disruptions and drivers for optical access [Invited], J. Opt. Commun. Netw. 14 (2) (2022) A143–A153, http://dx.doi.org/10.1364/JOCN.440798.
  18. Ranaweera, A. Nirmalathas, E. Wong, C. Lim, P. Monti, M. Furdek, L. Wosinska, B. Skubic, C.M. Machuca, Rethinking of optical transport network design for 5G/6G mobile communication, IEEE Future Netw. (12) (2021).
  19. China Mobile Research Institute, C-RAN: The road towards green RAN, 2013, URL whitepaper.
  20. Skubic, M. Fiorani, S. Tombaz, A. Furuskär, J. Mårtensson, P. Monti, Optical transport solutions for 5G fixed wireless access [Invited], J. Opt. Commun. Netw. 9 (9) (2017) D10–D18.
  21. 3GPP, Radio access architecture and interfaces (release 14), 2016.
  22. S. Wey, Y. Luo, T. Pfeiffer, 5G wireless transport in a PON context: An overview, IEEE Commun. Stand. Mag. 4 (1) (2020) 50–56, http://dx.doi.org/ 10.1109/MCOMSTD.001.1900043.
  23. O-RAN alliance: O-RAN, 2020, [Online] https://www.o-ran.org.
  24. Ruan, M.P.I. Dias, E. Wong, Deep neural network supervised bandwidth allocation decisions for low-latency heterogeneous E-health networks, J. Light wave Technol. 37 (16) (2019) 4147–4154, http://dx.doi.org/10.1109/JLT.2019. 2928821.
  25. Vora, S. Kaneriya, S. Tanwar, S. Tyagi, N. Kumar, M. Obaidat, TILAA: Tactile internet-based ambient assistant living in fog environment, Future Gener. Com put. Syst. 98 (2019) 635–649, http://dx.doi.org/10.1016/j.future.2019.01.035, URL https://www.sciencedirect.com/science/article/pii/S0167739X18326839.
  26. Boabang, R. Glitho, H. Elbiaze, F. Belqami, O. Alfandi, A framework for predicting haptic feedback in needle insertion in 5G remote robotic surgery, in: 2020 IEEE 17th Annual Consumer Communications Networking Conference (CCNC), 2020, pp. 1–6, http://dx.doi.org/10.1109/CCNC46108.2020.9045432.
  27. M. Fernández-Caramés, P. Fraga-Lamas, A review on the application of blockchain to the next generation of cybersecure industry 4.0 smart factories, IEEE Access 7 (2019) 45201–45218, http://dx.doi.org/10.1109/ACCESS.2019. 2908780.
  28. Bajic, N. Suzic, N. Simeunovic, S. Moraca, A. Rikalovic, Real-time data analytics edge computing application for industry 4.0: The Mahalanobis-Taguchi approach, Int. J. Ind. Eng. Manage. 11 (3) (2020) 146–156.
  29. -P. Pacaux-Lemoine, D. Trentesaux, G. Zambrano Rey, P. Millot, Designing intelligent manufacturing systems through human-machine cooperation princi ples: A human-centered approach, Comput. Ind. Eng. 111 (2017) 581–595, http: //dx.doi.org/10.1016/j.cie.2017.05.014, URL https://www.sciencedirect.com/ science/article/pii/S0360835217302188.
  30. Chowdhury, M. Maier, Toward dynamic HART-centric task offloading over FiWi infrastructures in the tactile internet era, IEEE Commun. Mag. 57 (11) (2019) 123–128, http://dx.doi.org/10.1109/MCOM.001.1800669.
  31. Schulz, M. Matthe, H. Klessig, M. Simsek, G. Fettweis, J. Ansari, S.A. Ashraf, B. Almeroth, J. Voigt, I. Riedel, A. Puschmann, A. Mitschele-Thiel, M. Muller, T. Elste, M. Windisch, Latency critical IoT applications in 5G: Perspective on the design of radio interface and network architecture, IEEE Commun. Mag. 55 (2) (2017) 70–78, http://dx.doi.org/10.1109/MCOM.2017.1600435CM.
  32. Jiang, F. Yu, T. Song, V. Leung, A survey on multi-access edge computing applied to video streaming: Some research issues and challenges, IEEE Commun. Surv. Tutor. 23 (2) (2021) c. 871–903.
  33. de Ribaupierre, R. Armstrong, D. Noltie, M. Kramers, R. Eagleson, VR and AR simulator for neurosurgical training, in: 2015 IEEE Virtual Reality (VR), 2015, pp. 147–148, http://dx.doi.org/10.1109/VR.2015.7223338.

Интересная статья? Поделись ей с другими: