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

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

通过人工智能和机器学习模型来研发时间敏感网络系统的方法，需要大量有效的 Time-sensitive Networking 数据集。本文总结了对于以人工智能和机器学习为基础的时间敏感网络系统技术研究，演练制作仿真真实数据集的主要需求和备选设计。

Aug, 2023

本文综述了 IEEE TSN 和 IETF DetNet 标准和相关研究，主要涉及流概念、流同步、流管理、流控制和流完整性等内容，并针对 5G 网络中的前传、回传和网络管理方面的 Ultra-Low Latency 进行了研究，同时，文章指出现有标准和研究的缺陷和局限性，为未来的大数据研究工作提供了基础。

Mar, 2018

本文提出一个跨层优化的框架，以确保在无线接入网络中实现极高的可靠性和极低的延迟，其中考虑了传输延迟和排队延迟等因素。我们引入了一种主动丢包机制，对数据包丢失率、功率分配和带宽分配进行优化，以在限制服务质量的前提下最小化发送功率。仿真和实验表明，设定丢包概率相等是一种近似最优的解决方案。

Mar, 2017

本文旨在超越传统平均信息更新时间 (AoI) 的概念，通过捕捉 AoI 尾分布来表征和优化一种超可靠低延迟通信 (URLLC) 系统。本文通过提出一种特定于服务器的数据分配算法并应用极值理论和 Lyapunov 优化方法，优化传输时延和数据可靠性之间的折衷。仿真结果显示，在车辆数量为 80 且 VUE 对的数量增加时，相比于根据车辆最大队列长度设计的基线，该系统几乎将 AoI 分布的尾部缩短了一倍，随着 VUE 对的数量增加，性能提升显著。

Nov, 2018

本文研究了在车辆之间网络中，基于曼哈顿机动性模型的功率最小化问题，同时考虑延迟和可靠性等二阶统计限制，最终提出了两种队列感知的功率分配方案，在降低队列最大长度的均值和方差方面取得了较优的结果。

Apr, 2018

本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。

Nov, 2022

在这篇论文中，我们提出了一种将深度学习神经网络与混合密度网络模型相结合的新方法，以得到普通无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，我们还设计和实现了一种深度迁移学习方案，使得信道模型能够动态适应通信环境的变化。通过在 Nakagami 衰落信道模型和 Log-normal 阴影信道模型上进行广泛实验，结果表明新方法比以前基于深度学习的信道模型在统计准确性、速度和鲁棒性方面更好。

May, 2024

本篇研究分析了基于边缘计算（MEC）的无线网络的网络受限延迟性能，推导出通信延迟和计算延迟的扩展定律，并结合运载参数和网络资源参数来量化延迟与网络覆盖率和稳定性之间的权衡，为 MEC 网络规划提供有用的指导。

Sep, 2017