- 面向意图感知的基于 DRL 的 5G-NR 上行动态调度器
支持工业物联网用户设备（IIoT UEs）根据所需服务质量（QoS）和随机流量到达的问题进行调查，提出了一种基于深度强化学习（DRL）的集中式动态调度器，用于学习如何在可用通信资源之间安排 IIoT UEs 的通信资源，通过图形化的简化方案 - 无线车联网环境中基于先前用户信息的服务质量预测
通过评估 ML 树集成方法来预测无线通信质量，并利用车辆之间的相关性和无线环境特征改进预测性能，支持商业网络中的 ML 应用。
- 由需求到体系结构：基于人工智能的半自动软件体系结构生成之旅
使用人工智能技术基于需求半自动生成软件架构候选方案，并通过定量分析和架构权衡分析方法进行自动评估和交叉分析，以提高生成架构模型的质量、效率和有效性。
- 基于 QoS 的图对比学习的 Web 服务推荐
通过使用质量服务（QoS），我们提出了一种名为 QoS 感知图对比学习（QAGCL）的新方法来解决 Web 服务推荐中的数据稀疏性和冷启动问题，通过构建具有地理位置信息和随机性的上下文增强图，学习用户和服务的嵌入，并将其无缝地整合到推荐过程 - 计算连续体中的平衡通过主动推理
我们提出了一个协同边缘智能的框架，使各个边缘设备能够发展对如何执行其性能目标的因果理解，并将知识传递以加快异构设备的入门进程，从而增加性能目标的范围。通过合作，它们提高了性能目标的实现范围。在保证视频流媒体期间的服务质量和用户体验质量方面， - 设计具有马尔科夫毯的可重构智能系统
利用基于 Markov blankets 的因果关系过滤器，基于设备的分散评估和推断最优设备配置来实现计算连续系统中的服务质量目标。
- 边缘上的主动推理：一个设计研究
机器学习在分布式计算系统中被广泛应用于解释和预测行为，特别是在物联网设备产生大量数据时，通过边缘设备进行数据处理和机器学习训练。为了保证服务质量，系统通过机器学习进行监督和动态调整。然而，如果机器学习模型长时间不进行重新训练，它们可能无法准 - 能效基站小区切换自适应动态规划
利用近似动态规划（ADP）基于在线优化的方法，在维持充分的服务质量（QoS）指标的同时，通过打开 / 关闭基站的方式减少网络功耗。通过使用多层感知器（MLP）来预测功耗和 QoS，以及长短期记忆（LSTM）进行手 over 预测，结合在线优 - ARRQP：具有图卷积的异常韧性实时 QoS 预测框架
在现代的面向服务的体系结构中，保证服务质量 (QoS) 至关重要。本文介绍了一种实时的 QoS 预测框架 (称为 ARRQP)，重点改进了对数据异常的鲁棒性。ARRQP 利用图卷积技术来捕捉用户和服务之间复杂的关系和依赖，即使数据有限或稀疏 - 概率深度监督网络：一种噪声鲁棒的 QoS 预测方法
通过使用概率深度监督网络 (PDS-Net) 的新框架，该研究解决了噪声数据对于质量服务 (QoS) 预测的负面影响，通过减少错误传播，提高准确性。
- MM基于迁移学习的多主体深度强化学习实现跨小区网络分片
本文提出了一种基于多个深度强化学习代理的 DIRP 算法来协作优化资源分区，为网络切片满足每个应用的要求；同时设计了一种新颖的迁移学习辅助 DIRP 算法（TL-DIRP），以实现大规模移动网络中的可操作性和转移性。实验结果表明，TL-DI - 边缘云计算中多用户移动增强现实的预测任务卸载
本研究提出了一种面向 MAR 服务的任务卸载方案，通过使用有向无环图来分析和建模 MAR 应用程序的任务相互依赖关系，并基于修改的蒙特卡罗树搜索提出了一个前瞻性的卸载方案，该方案能够在提供多用户 MAR 服务时有效提高服务质量。
- 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。
- 内容交付网络（CDN）中客户端错误聚类方法
本研究分析了在 CDN 错误日志分析中采用各种聚类方法的适用性。我们使用真实的 CDN 代理日志，针对不同的主机类型，如直播电视，视频点播，文件缓存和 Web 内容，对相应的日志行进行了聚类。我们的分析表明，CDN 错误聚类是识别重复错误和 - DRAGON: 边缘联盟中的分布式容错
提出了基于生成优化网络（GON）的内存高效的深度学习模型，以及一个名为 DRAGON 的去中心化容错方法，用于优化边缘联合性能，实验结果显示，该方法在故障检测和服务质量方面优于基准方法，能够将能量消耗、响应时间和服务水平协议的违规率提高高达 - MM网络流量分类的主动学习：技术研究
本研究研究了主动学习在网络流量分类中的适用性，通过减少需要标记的示例数量来提高机器学习算法的分类准确性，结果表明，主动学习可以在处理较少数据时实现高准确性的网络流量分类。
- MM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 - AAAI队列学习：一种提供服务质量的强化学习方法
本文介绍了一种基于强化学习的服务速率控制器，该控制器通过使用深度确定性策略梯度 (DDPG) 算法作为函数，将服务速率 (行动) 学习为串联服务系统中队列长度 (状态) 的函数，并提供关于系统端到端延迟的概率性保证。
- 工业物联网中机器类通信的 MAC – 第二部分：调度和数值结果
该论文提出了用于工业物联网中机器类型通信的媒体访问控制设计，其中包括集中式报文传输调度方案和基于深度神经网络的协议参数确定方法，以满足服务质量要求并避免处理大量设备引起的复杂性。
- 工业物联网中机器型通信的 MAC-- 第一部分：协议设计和分析
本研究提出一种新型的中介访问控制协议，以单个接入点和信道支持大规模设备的异构数据流和 QoS 要求，其中关键的想法是基于感知的分布式协调以显著提高信道利用率。