终端到终端移动网络测量实验室、工具和服务调查
本篇论文是针对商业 5G 在智能手机上的性能所做的一项首次评估,通过对美国三个城市的三个运营商(两个毫米波运营商和一个中频带运营商)的 5G 网络进行了详细的测试,并对手 off 机制及其对网络性能的影响、使用位置等环境信息预测网络性能的可行性以及 5G 应用程序表现的研究进行了探索。该研究提供了 5G 性能样本数据,为未来改进 5G 用户体验提供了关键研究方向。
Sep, 2019
本论文提出一种基于转移学习的测量驱动方法,使用 LSTM 神经网络,通过相对较短的样本将传统模型适应于新环境,简化了合成轨迹生成,并生成了适用于多样化目标环境的 WiFi 和 LTE 云存取时间模型的特征,演示了由这些模型生成的合成轨迹可以准确地复制应用程序 QoE 指标分布,包括它们的异常值。
Mar, 2021
在这项研究中,我们使用卫星图像数据来预测电信网络的性能,实验证明模型在不同地区都表现出很好的泛化能力,并且对于新部署的站点提供了一个可行的初始性能估计方法。
Apr, 2024
这篇论文介绍了一个在 5G 和 B5G 网络中使用的机器学习模型,用于估计吞吐量并结合当前网络状态推导其他网络 KPI 以提高服务保证。通过数值评估,验证了该 KPI 预测模型相对于其他方法在同样或几乎相同计算时间下的性能优势。
Apr, 2024
本文就达到低延迟通信所需的 RAN, 核心网络和缓存等三个不同技术领域进行了详细调研,并针对软件定义网络、网络功能虚拟化、缓存和移动边缘计算等构成 5G 的技术提供了综述。
Aug, 2017
本研究旨在利用移动网络运营商可获得的真实网络数据,对 5G 网络中的预测延迟进行彻底分析,并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试,并使用来自车辆移动、城市交通等场景的数据进行验证,结果为预测算法在实际应用中的有效性提供了有价值的见解。
Jul, 2023
本文提出了一种新颖的建模框架,用于考虑边缘辅助无线网络的扩展现实应用的性能分析,并通过专门为扩展现实应用设计的测试平台收集的实验数据对模型进行验证。此外,我们详细介绍了与性能分析建模相关的挑战,并提出了克服这些挑战的方法。最后,性能评估表明,与现有的分析模型相比,所提出的分析模型可以以高精度分析扩展现实应用的性能。
May, 2024
本文从 MAC、网络和传输层角度出发,概述集成太赫兹频谱到移动网络中需要克服的问题,以解决与链接和系统级挑战有关的问题,并对太赫兹连接上端到端数据流的性能进行考虑。
May, 2020