Editorial Ilmu Komputer & AI
Open AccessOA2026
Pengelompokan Peer Adaptif dengan Hierarchical Random Linear Network Coding untuk Jaringan Nirkabel Terdesentralisasi yang Tangguh
APC-RLNC: pengelompokan berbasis EWMA dan RLNC bertingkat dengan regret O(√T) untuk kolektif 6G yang AI-native
Navaneetha Krishnan Kamalakannan; Harinisri Velmurugan· 2026· DOI 10.48550/arXiv.2608.26040
Masalah inti
Kolektif nirkabel terdesentralisasi—swarm kendaraan, kluster IoT, dan jaringan AI edge—menuntut protokol komunikasi yang tetap tangguh pada topologi dinamis dan kualitas tautan yang heterogen. Random Linear Network Coding (RLNC) menawarkan ketahanan aljabar terhadap erasure paket, tetapi kinerjanya menurun ketika peer mengalami kondisi kanal yang beragam. Makalah ini memperkenalkan Adaptive Peer Clustering with Hierarchical RLNC (APC-RLNC), sistem yang secara dinamis mengelompokkan peer berdasarkan metrik reliabilitas exponentially weighted moving average (EWMA) dan menerapkan network coding bertingkat di dalam dan antar kluster. Karya ini memformalkan masalah optimasi pengelompokan, menurunkan batas probabilitas decoding bentuk tertutup untuk kanal erasure Markov, dan membuktikan regret untuk rekonfigurasi daring dalam kerangka Follow-the-Regularized-Leader (FTRL). Penulis memposisikan pengelompokan adaptif sebagai primitif fundamental untuk sistem nirkabel 6G yang AI-native.
Inovasi
Evaluasi pada jaringan kendaraan bermobilitas tinggi, kanal burst-error, dan interferensi adversarial menunjukkan keunggulan yang konsisten dibandingkan baseline state-of-the-art. APC-RLNC mencapai peningkatan packet delivery ratio (PDR) sebesar 5,2–9,8 poin persentase, pengurangan latensi 10–23%, dan retensi node hingga 30% lebih tinggi. Sistem ini berskala linear hingga 500+ node sambil mempertahankan overhead rekonfigurasi real-time di bawah 3%. Hasil ini diamati pada beragam skenario, termasuk kanal burst-error dan interferensi adversarial, yang menunjukkan ketangguhan pada kondisi dinamis.
Kolektif nirkabel terdesentralisasi—swarm kendaraan, kluster IoT, dan jaringan AI edge—menuntut protokol komunikasi yang tetap tangguh pada topologi dinamis dan kualitas tautan yang heterogen. Random Linear Network Coding (RLNC) menawarkan ketahanan aljabar terhadap erasure paket, tetapi kinerjanya menurun ketika peer mengalami kondisi kanal yang beragam. Makalah ini memperkenalkan Adaptive Peer Clustering with Hierarchical RLNC (APC-RLNC), sistem yang secara dinamis mengelompokkan peer berdasarkan metrik reliabilitas exponentially weighted moving average (EWMA) dan menerapkan network coding bertingkat di dalam dan antar kluster. Karya ini memformalkan masalah optimasi pengelompokan, menurunkan batas probabilitas decoding bentuk tertutup untuk kanal erasure Markov, dan membuktikan regret untuk rekonfigurasi daring dalam kerangka Follow-the-Regularized-Leader (FTRL). Penulis memposisikan pengelompokan adaptif sebagai primitif fundamental untuk sistem nirkabel 6G yang AI-native.
APC-RLNC beroperasi dalam tiga tahap: (1) estimasi reliabilitas melalui EWMA kualitas tautan, (2) pengelompokan peer adaptif, dan (3) encoding/decoding RLNC bertingkat. Setiap peer memelihara skor reliabilitas EWMA yang diperbarui sebagai:
Mengapa penting
Peningkatan kinerja berasal dari kemampuan APC-RLNC mengisolasi peer yang tidak andal ke dalam kluster terpisah, sehingga mencegahnya menurunkan efisiensi coding kluster yang andal. Desain RLNC bertingkat memastikan erasure di dalam kluster dikompensasi oleh coding intra-kluster, sementara coding inter-kluster memberikan ketahanan terhadap kegagalan tingkat kluster. Batas regret menjamin rekonfigurasi daring konvergen dengan cepat bahkan pada kondisi kanal non-stasioner. Skalabilitas linear hingga 500+ node dan overhead di bawah 3% membuat APC-RLNC cocok untuk penerapan edge real-time. Penulis berargumen bahwa pengelompokan adaptif adalah primitif fundamental untuk sistem nirkabel 6G yang AI-native, tempat perangkat heterogen dan topologi dinamis menjadi norma. Batasannya meliputi kebutuhan kanal umpan balik yang andal untuk pembaruan EWMA dan asumsi kanal erasure Markov; pekerjaan selanjutnya dapat diperluas ke model kanal yang lebih umum dan diintegrasikan dengan penjadwalan prediktif berbasis AI.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…