Jan, 2023

端到端延迟预测的低复杂度方法

PDF
TL;DR该论文探讨了在软件定义网络中，设计低成本的本地算法来预测端到端的延迟，以满足特定应用程序的服务质量需求。研究提出了几种低复杂度的方法来预测延迟，并在公共数据集上比较了其预测和训练时间与准确性。
software defined networksquality of servicekey performance indicatorslatency predictionlocal algorithms
发现论文，激发创造
  • 基于数据的 5G 预测延迟：基于网络测量的理论和实验分析

    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

  • RouteNet：基于图神经网络的 SDN 网络建模和优化

    这篇论文提出了一种基于图神经网络（GNN）的网络模型 RouteNet，该模型通过学习和建模图结构信息，理解拓扑、路由和输入流量之间的复杂关系，从而准确预测网络中的表现指标，并且可以泛化到任意拓扑、路由和流量强度，可以应用于路由优化和网络规划等多个领域。

    Oct, 2019

  • 5G 和 B5G 网络中的机器学习 KPI 预测

    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

  • 基于数据驱动的无线网络延迟概率预测：关注尾部概率

    使用数据驱动的方法，预测网络参数条件下稀有延迟的概率分布尾部，以实现对无线传输中的网络延迟的更精确控制。

    Jul, 2023

  • 关于神经架构搜索的延迟预测器

    通过硬件感知的神经架构搜索，预训练和迁移学习方法来改进神经网络的部署效率，并提出了综合性的延迟预测模型，能够有效地提高硬件延迟预测的准确性。

    Mar, 2024

  • 路由网络延迟估计的开放世界学习图卷积方法

    本文提出了一种基于图神经网络的方法，较之传统深度学习方法，更能准确地建模网络路由，进行路由网络配置预测和时延估计。同时，该方法还具有较强的泛化能力，并能跨越不同网络规模和配置，更好地适应开放性预测需求。

    Jul, 2022

  • 动态网络延迟图谱

    本文提出了基于时空 Kalman 滤波的网络制图框架来高效跟踪和预测 IP 网络中的路径延迟，通过利用拓扑和历史数据，选择最优路径进行延迟测量，并证明了所提出的预测器在线性预测器中是最优的，能够在真实数据集上胜过竞争方法。

    Apr, 2012

  • 探究图神经网络在 SDN 网络建模和优化中的潜力

    本文提出了一种基于图神经网络的网络建模技术，能够准确估计网络拓扑、路由和输入流量之间的复杂关系，从而优化网络性能，本技术对任意拓扑、路由和流量强度具有很好的泛化能力。

    Jan, 2019

  • 双潜在状态学习方法：利用区域网络相似性进行 QoS 预测

    提出了一种新颖的深度学习框架 R2SL，通过提取两种不同的区域网络潜在状态 (城市网络潜在状态和自治系统网络潜在状态)，利用共同区域的汇总数据而不是个体对象数据来预测网络服务质量 (QoS)，并使用增强的 Huber 损失函数来解决常见的标签不平衡问题，最终通过多尺度感知网络实现区域网络潜在特征与其他相关信息的融合预测，实验结果表明 R2SL 方法在真实 QoS 数据集上显示出优越的性能，充分利用对象间的区域网络相似性为精确的 QoS 预测开辟了一条创新途径。

    Oct, 2023

  • 具有截止时间的学习增强在线数据包调度

    研究了在线分组调度问题，在预测误差较小的情况下使用了新算法框架，提高了竞争比率且仍保持有界竞争比率。

    May, 2023