用于自动化和分析移动设备及其应用的测试平台
本文针对包含机器学习组件的自动驾驶系统,提出了一个测试框架,利用测试用例生成和自动实现方法进行评估,并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景,从而提高自动驾驶系统的可靠性。
Apr, 2018
本文提供一种将机器学习工具和情境感知相结合的方法,在车辆环境中学习射总体信息(功率、最佳射总索引等),实验结果表明情境感知可以极大提高预测准确性和模型吞吐量,同时几乎不影响性能和性能损失。
May, 2018
本文通过对深度学习和移动无线网络研究领域的全面调查,桥接了两个领域之间的鸿沟,并讨论了如何将深度学习技术应用到移动系统中,从而提出了当前研究的挑战和未来发展方向。
Mar, 2018
本论文提出了一种基于深度神经网络的定制化的移动端实时 Android 恶意软件检测系统,MobiTive, 包括不同特征提取方法和不同特征类型选择、不同深度神经网络的检测精度、不同移动设备上的实时检测性能和精度以及基于移动设备规格的演化趋势的检测潜力分析
May, 2020
提出了一种网络感知的自动化机器学习框架,用于在软件定义的传感器网络中检测分布式拒绝服务攻击(DDoS)。该框架通过选择理想的机器学习算法,根据可变流量负载、异构流量速率和检测时间等指标,能够在网络受限环境中检测到 DDoS 攻击并避免过拟合。
Oct, 2023
该研究提出了一个利用主动学习框架从实时收集的数据中,对自动驾驶车辆进行正确分类的方法,该方法通过有效处理贫乏且嘈杂的数据,并在数据质量和多样性之间进行权衡,从其他车辆接收的信息以及有关自身传感器的信息进行数据分析,从而实现高准确度的分类,而该方法相比其他现有的解决方案,具备数据传输带宽要求低的优势。
Feb, 2020
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