利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。

Oct, 2023

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

本文研究了边缘计算技术、时间敏感网络、确定性调度技术与带宽利用等关键技术，提出了一种基于非碰撞理论的确定性调度方法（NDS）以及动态队列调度（DQS）机制，实现了超低延迟通信和带宽利用率的优化。

Jul, 2022

通过提出模块化解决方案，提高数据生成的可配置性，以应对大数据收集、高精度分析和优化算法评估的需求，从而为自动化网络和机器学习在下一代网络中的应用提供了更高精度和逼真度的数据集。

Jun, 2023

该研究介绍了一个新颖且全面的数据集 TII-SSRC-23，旨在解决现有数据集在多样性和与当代网络环境的一致性方面的挑战。通过广泛实验，为监督和无监督入侵检测方法建立了坚实的基准，并提供了对入侵检测任务关键特征的重要见解，从而进一步推动入侵检测模型在网络安全快速变化的领域中的进展和适应性。

Sep, 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

本文介绍了机器学习和人工神经网络在下一代无线通信网络中的应用，涵盖了前馈神经网络、循环神经网络、脉冲神经网络和深度神经网络等不同类型，并讨论了无人机通信、虚拟现实和边缘缓存等无线通信问题和挑战。作者提出了未来可能的研究方向，对开发满足未来无线网络需求的机器学习技术提供了全面的指南。

Oct, 2017

本文讨论合成数据在神经网络人工智能系统开发中的重要作用，并探讨复杂多尺度机制模拟模型生成多维时间序列数据在生物医学领域中的应用，尤其是对于疾病预测和药物开发流程的重要性。

Mar, 2023

基于脉冲神经网络的多模态时间序列分析模型（MTSA-SNN）能够有效地分析复杂时间序列数据，并在多个任务中取得卓越性能。

Feb, 2024

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