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

人工智能和机器学习是驱动未来通信系统演进的必备技术，而 Wi-Fi 网络不断演化且变得越来越复杂。本文讨论了人工智能和机器学习在当前和未来 Wi-Fi 网络中的作用，并提出了人工智能和机器学习原生 Wi-Fi 的发展方向、关键挑战、标准化努力和主要推动因素。通过提供一个示例用例展示了人工智能和机器学习在不同采用阶段的 Wi-Fi 中的潜力。

May, 2024

通过研究分布式学习的两个基本方法 —— 联邦学习（FL）和知识蒸馏（KD）在 Wi-Fi 接入点（AP）负载预测用例上的应用，本文证明了分布式学习可以将集中式机器学习解决方案的预测准确性提高 93％，并将通信开销和能源成本降低 80％。

Apr, 2024

本文概述了人工智能在 5G 及以后无线网络中的应用，包括网络智能类型、机器学习以及应用案例，重点介绍了物理层、移动性管理、无线安全和定位方面的应用。

Nov, 2019

本文将探讨机器学习、自动化、人工智能和大数据分析对于提高下一代无线网络的能力和效率的作用，发现这些新技术将有助于使下一代无线网络实现自适应、自我感知、预测和主动性，最终得出未来的无线网络运营商不能脱离人工智能和机器学习技术转变其操作框架的结论。

Dec, 2021

本文探讨了在下一代 WLANs 中应用机器学习以应对空间复用问题的可行性。作者使用联邦学习模型来预测 IEEE 802.11ax 空间复用问题的性能表现，并进行了 FL 解决方案的概述。

Mar, 2022

在 5G 及以后的时代，随着无线网络设计和优化中的复杂性不断增加，人工智能（AI）的使用被认为是解决实时极复杂问题的灵活适用的方法之一。本文提出了通过智能大数据驱动层来实现个人化网络服务，并优化网络资源，达到节省资源和提高用户满意度的目标。

Jul, 2023

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

本文调查了利用机器学习技术提高无线网络性能方面的最新研究，并提出挑战和未解决的问题，为研究人员提供了一条路线图。

Mar, 2021

本文全面调查了机器学习在无线通信中的应用，分类为 MAC 层的资源管理，网络层的网络和移动性管理，以及应用层的定位，并根据采用的机器学习技术组织了每个方面的文献。同时，提出了使用 ML 的条件和未解决的问题，以促进未来的研究。

Sep, 2018