論文の概要: Machine Learning Methods for Monitoring of Quasi-Periodic Traffic in
Massive IoT Networks
- arxiv url: http://arxiv.org/abs/2002.01552v2
- Date: Thu, 27 Feb 2020 15:25:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:46:18.690066
- Title: Machine Learning Methods for Monitoring of Quasi-Periodic Traffic in
Massive IoT Networks
- Title(参考訳): 大規模iotネットワークにおける準周期トラフィック監視のための機械学習手法
- Authors: Ren\'e Brandborg S{\o}rensen, Jimmy Jessen Nielsen, Petar Popovski
- Abstract要約: 準周期アプリケーションを実行するIoTデバイスのトラフィックモデルを提案する。
我々は、IoTデプロイメントのネットワークパフォーマンスを監視するために、教師付きと教師なしの両方の機械学習手法を提案する。
- 参考スコア(独自算出の注目度): 30.71111490861155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the central problems in massive Internet of Things (IoT) deployments
is the monitoring of the status of a massive number of links. The problem is
aggravated by the irregularity of the traffic transmitted over the link, as the
traffic intermittency can be disguised as a link failure and vice versa. In
this work we present a traffic model for IoT devices running quasi-periodic
applications and we present both supervised and unsupervised machine learning
methods for monitoring the network performance of IoT deployments with
quasi-periodic reporting, such as smart-metering, environmental monitoring and
agricultural monitoring. The unsupervised methods are based on the Lomb-Scargle
periodogram, an approach developed by astronomers for estimating the spectral
density of unevenly sampled time series.
- Abstract(参考訳): 大規模なモノのインターネット(IoT)デプロイメントにおける中心的な問題のひとつは、大量のリンクの状態をモニタリングすることだ。
この問題は、リンク越しに送信されるトラフィックの不規則さによって増大し、トラフィックの断続性をリンク障害として偽装し、その逆も可能である。
本研究では、準周期的なアプリケーションを実行するIoTデバイスのトラフィックモデルを示し、スマートメータや環境モニタリング、農業モニタリングといった準周期的なレポートを用いて、IoTデプロイメントのネットワークパフォーマンスを監視するための教師付きおよび教師なしの機械学習手法を提示する。
この手法は、天文学者によって不均一なサンプル時系列のスペクトル密度を推定するために開発されたLomb-Scargle periodogramに基づいている。
関連論文リスト
- A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - On the Burstiness of Distributed Machine Learning Traffic [0.0]
本稿では,ResNet-50ニューラルネットワークのトレーニングによって発生する交通特性について検討する。
分析の結果,分散MLトラフィックは短時間で非常に高いバースト性を示すことがわかった。
トレーニングソフトウェアは,同一アプリケーション内の異なるソースからのバースト送信が混雑やパケット損失を生じさせないように,送信をオーケストレーションする。
論文 参考訳(メタデータ) (2023-12-30T21:33:59Z) - Detecting Anomalous Microflows in IoT Volumetric Attacks via Dynamic
Monitoring of MUD Activity [1.294952045574009]
異常に基づく検出手法は、新たな攻撃を見つける上で有望である。
偽陽性のアラームや説明が難しい、費用対効果の低い、といった現実的な課題があります。
本稿では、SDNを使用して、各IoTデバイスの期待する動作を強制し、監視する。
論文 参考訳(メタデータ) (2023-04-11T05:17:51Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - Federated PCA on Grassmann Manifold for Anomaly Detection in IoT
Networks [19.861389496676964]
主成分分析(PCA)は、異常検出のための正常かつ悪意のある動作に対応する2つの非結合部分空間にネットワークトラフィックを分離するために提案されている。
異常検出のための正常なネットワーク動作の結合プロファイルを集約するためにIoTデバイスをコーディネートする,PCAベースのGrassmannian最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-23T03:11:56Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳(メタデータ) (2022-06-15T19:46:59Z) - Semi-supervised Variational Temporal Convolutional Network for IoT
Communication Multi-anomaly Detection [3.3659034873495632]
モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。
これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。
本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
論文 参考訳(メタデータ) (2021-04-05T08:51:24Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳(メタデータ) (2020-09-15T02:01:47Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Decentralized Learning for Channel Allocation in IoT Networks over
Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。
本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-03-30T10:05:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。