Jul, 2023

基于数据的 5G 预测延迟：基于网络测量的理论和实验分析

PDF
TL;DR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。
5g networkslatencynetwork managementmachine learningpredictive algorithms
发现论文，激发创造
  • 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

  • 端到端延迟预测的低复杂度方法

    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。

    Jan, 2023

  • 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

  • 使用在线预测算法进行蜂窝网络流量预测

    我们研究了实时场景下应用于移动网络流量预测的两种实时预测算法的有效性，发现 Fast LiveStream Prediction（FLSP）算法相对于传统的在线预测算法，在异步数据汇报情况下，能够减少所需带宽一半，并提高预测准确性和降低处理负载。我们还通过对各种机器学习模型的算法复杂度和内存需求进行了细致分析，从而提供有关不同预测策略的权衡，为动态环境下的网络优化和资源分配提供了有价值的指导。

    May, 2024

  • 云网络融合 5G 以后的服务预测和编排的 QoS 感知

    本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法，解决了网络云集成环境中的服务放置和资源分配问题，从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。

    Sep, 2023

  • 使用迁移学习生成逼真的云访问时间，用于移动应用测试

    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

  • 边缘机器学习：应用于 5G 蜂窝网络的数据驱动架构

    本文提出了一种基于边缘控制器的 5G 移动网络结构，利用全球用户的移动模式来动态聚类和关联基站和控制器，以及通过控制器运行机器学习算法来预测每个基站的用户数量，为高层次应用程序提供路由服务，以提高网络的重要性能指标。

    Aug, 2018

  • 手机网络中应用层流量数据的学习和预测

    本文提出了一种基于字典学习的交替方向方法，用于综合研究和预测蜂窝网络流量建模和预测框架，并提高了预测准确性和鲁棒性。

    Jun, 2016

  • 低延迟设向 5G 的调查：RAN、核心网络和缓存解决方案

    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

  • 探索 5G 网络数据传输动力学：概念分析

    利用实验和模拟研究，本论文探讨了 5G 网络中数据传输的动态过程，包括视频和 LiDAR 数据处理的各个阶段，数据的传输和接收，以及与网络问题相关的用户体验质量。此外，论文还研究了可靠实时通信的带宽和延迟需求，并通过实验估计了相关数值。最后，作者还比较了自适应通信方案与 WebRTC 基准 GCC 算法的性能差异。

    Apr, 2024