Fugu-MT 論文翻訳(概要): Latency and Throughput Optimization in Modern Networks: A Comprehensive Survey

論文の概要: Latency and Throughput Optimization in Modern Networks: A Comprehensive Survey

arxiv url: http://arxiv.org/abs/2009.03715v1
Date: Tue, 1 Sep 2020 15:17:26 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 02:06:53.470753
Title: Latency and Throughput Optimization in Modern Networks: A Comprehensive Survey
Title（参考訳）: 現代のネットワークにおけるレイテンシとスループットの最適化
Authors: Amir Mirzaeinnia, Mehdi Mirzaeinia, Abdelmounaam Rezgui
Abstract要約: 方法は、有線ネットワーク、無線ネットワーク、アプリケーション層トランスポート制御、リモートダイレクトメモリアクセス、機械学習ベースのトランスポート制御など、さまざまなネットワークや環境上で調査される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Modern applications are highly sensitive to communication delays and throughput. This paper surveys major attempts on reducing latency and increasing the throughput. These methods are surveyed on different networks and surroundings such as wired networks, wireless networks, application layer transport control, Remote Direct Memory Access, and machine learning based transport control.
Abstract（参考訳）: 現代のアプリケーションは通信遅延やスループットに非常に敏感である。本稿では,レイテンシ低減とスループット向上に関する主要な試みについて検討する。これらの方法は、有線ネットワーク、無線ネットワーク、アプリケーション層トランスポート制御、リモートダイレクトメモリアクセス、機械学習ベースのトランスポート制御など、さまざまなネットワークおよび周辺で調査される。

関連論文リスト

AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文参考訳（メタデータ） (2024-11-19T12:51:17Z)
Beyond the Edge: An Advanced Exploration of Reinforcement Learning for Mobile Edge Computing, its Applications, and Future Research Trajectories [13.08054996040995]
Mobile Edge Computing (MEC)は、中央ネットワークを超えて計算とストレージの範囲を広げる。リアルタイムで高品質なサービスを必要とするアプリケーションの出現は、低レイテンシ、高いデータレート、信頼性、効率、セキュリティなど、いくつかの課題をもたらしている。本稿では,これらの問題を緩和する特定のRL手法を提案し,その実践的応用について考察する。
論文参考訳（メタデータ） (2024-04-22T14:47:42Z)
Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文参考訳（メタデータ） (2023-06-14T01:24:42Z)
An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
論文参考訳（メタデータ） (2023-05-12T14:18:09Z)
Adaptive QoS of WebRTC for Vehicular Media Communications [0.0]
Web Real-Time Communication (WebRTC)は、車間でのメディアストリーミングに好適な候補である。本稿では,映像ストリームをネットワーク容量に効率よく適応させる機構について検討する。適応に異なるアプローチを適用する場合のエンドツーエンドのスループットと反応時間への影響を、実際の5Gテストベッドで分析する。
論文参考訳（メタデータ） (2022-08-24T09:51:59Z)
Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文参考訳（メタデータ） (2021-11-11T11:31:20Z)
Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。無線システム上での高速応答および高精度FLスキームの検証が重要である。提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文参考訳（メタデータ） (2021-10-22T13:25:57Z)
Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
論文参考訳（メタデータ） (2021-04-05T20:57:56Z)
Wireless for Machine Learning [91.13476340719087]
我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
論文参考訳（メタデータ） (2020-08-31T11:09:49Z)
Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions [30.606518785629046]
高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
論文参考訳（メタデータ） (2020-08-14T11:48:13Z)
Tomography Based Learning for Load Distribution through Opaque Networks [9.923523030849836]
オーバー・ザ・トップ(OTT)サービスプロバイダにとって重要なタスクは、遅延を最小限に抑えるため、ネットワークを通してトラフィックを送信することだ。この問題は、トラフィックがブラックボックスネットワークに入る一連の入力をトラフィックソースが選択できる一般的な設定で検討する。この問題を解決するための主要な技術的課題は、問題の高次元性と、ネットワークに固有の制約を扱うことである。
論文参考訳（メタデータ） (2020-07-18T21:52:21Z)

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。