論文の概要: Predicting traffic overflows on private peering

• arxiv url: http://arxiv.org/abs/2010.01380v1
• Date: Sat, 3 Oct 2020 16:14:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 09:04:16.783667
• Title: Predicting traffic overflows on private peering
• Title（参考訳）: プライベートピアリングにおけるトラフィックオーバーフロー予測
• Authors: Elad Rapaport, Ingmar Poese, Polina Zilberman, Oliver Holschke, Rami Puzis
• Abstract要約: 本研究では,2～6時間の短期的地平線上でのオーバーフロー事象を予測するための,深層学習モデルのアンサンブルに基づく手法を提案する。 本手法は,欧州の大手インターネットサービスプロバイダから2.5年間の交通量測定データを用いて評価した。
• 参考スコア（独自算出の注目度）: 5.669790037378093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large content providers and content distribution network operators usually connect with large Internet service providers (eyeball networks) through dedicated private peering. The capacity of these private network interconnects is provisioned to match the volume of the real content demand by the users. Unfortunately, in case of a surge in traffic demand, for example due to a content trending in a certain country, the capacity of the private interconnect may deplete and the content provider/distributor would have to reroute the excess traffic through transit providers. Although, such overflow events are rare, they have significant negative impacts on content providers, Internet service providers, and end-users. These include unexpected delays and disruptions reducing the user experience quality, as well as direct costs paid by the Internet service provider to the transit providers. If the traffic overflow events could be predicted, the Internet service providers would be able to influence the routes chosen for the excess traffic to reduce the costs and increase user experience quality. In this article we propose a method based on an ensemble of deep learning models to predict overflow events over a short term horizon of 2-6 hours and predict the specific interconnections that will ingress the overflow traffic. The method was evaluated with 2.5 years' traffic measurement data from a large European Internet service provider resulting in a true-positive rate of 0.8 while maintaining a 0.05 false-positive rate. The lockdown imposed by the COVID-19 pandemic reduced the overflow prediction accuracy. Nevertheless, starting from the end of April 2020 with the gradual lockdown release, the old models trained before the pandemic perform equally well.
• Abstract（参考訳）: 大規模コンテンツプロバイダとコンテンツ配信ネットワークオペレータは通常、専用のプライベートピアリングを通じて大規模インターネットサービスプロバイダ(eyeballネットワーク)と接続する。 これらのプライベートネットワーク相互接続の容量は、ユーザによる実際のコンテンツ要求のボリュームに合わせて設定される。 残念なことに、例えば、ある国でコンテンツがトレンドになっているため、トラフィック需要が急増した場合、プライベートインターコネクトの容量が枯渇し、コンテンツプロバイダ/ディストリビューターは、トランジットプロバイダを介して余分なトラフィックを振り替えなければならない。 このようなオーバーフローイベントは稀だが、コンテンツプロバイダ、インターネットサービスプロバイダ、エンドユーザに大きな悪影響がある。 これには、予期せぬ遅延やユーザエクスペリエンスの品質低下、インターネットサービスプロバイダがトランジットプロバイダに支払う直接的なコストなどが含まれる。 もしトラフィックオーバーフローイベントが予測できれば、インターネットサービスプロバイダは、過度のトラフィックのために選択されたルートに影響を与え、コストを削減し、ユーザエクスペリエンスの品質を向上させることができるだろう。 本稿では,2～6時間の短期的地平線上でのオーバーフローイベントを予測し,オーバーフロートラフィックを阻害する特定の相互接続を予測するための,ディープラーニングモデルに基づく手法を提案する。 この手法は、ヨーロッパの大手インターネットサービスプロバイダから2.5年間のトラフィック測定データを用いて評価され、真正率は0.8であり、偽陽性率は0.05である。 新型コロナウイルス(covid-19)パンデミックによるロックダウンにより、オーバーフロー予測の精度が低下した。 それにもかかわらず、2020年4月末から徐々にロックダウンが解除され、パンデミック前にトレーニングされた古いモデルは等しく機能する。

関連論文リスト

• Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
  本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。 ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。 我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-08T08:37:37Z)
• Establishing a real-time traffic alarm in the city of Valencia with Deep Learning [0.0]
  スペイン・バレンシア市における交通フラックスと汚染の相関分析を行った。 道路が今後30分で異常に高いトラフィックを経験する確率を予測するアラームシステムの開発を行う。
  論文  参考訳（メタデータ） (2023-09-05T07:47:43Z)
• Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion [4.934817254755007]
  本稿では,過度の混雑中における多車線高速道路の交通渋滞を軽減するための深層強化学習(DRL)手法を提案する。 エージェントは、渋滞した高速道路交通に対する適応的な抑止戦略を学ぶために訓練される。 エージェントは、急激な混雑時の非作用と比較して平均交通速度を21%向上させることができる。
  論文  参考訳（メタデータ） (2023-05-16T16:53:27Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction [72.59079526765487]
  アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。 主な課題は、URLLCパケット生成のプロセスにおける不確実性である。 本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:09:55Z)
• Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting [14.71745498591372]
  本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。 まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。 次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
  論文  参考訳（メタデータ） (2022-06-19T20:17:15Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• The Lockdown Effect: Implications of the COVID-19 Pandemic on Internet Traffic [11.041584067213554]
  交通量は1週間以内で15～20%増加したが、全体としては緩やかである。 この急激な増加にもかかわらず、従来のピーク時以外では、ほとんどのトラフィックシフトが発生するため、インターネットインフラが新たなボリュームを処理可能であることを観察する。 多くのネットワークは交通需要の増加、特に住宅ユーザーにサービスを提供しているが、学術ネットワークは全体的に大幅に減少している。
  論文  参考訳（メタデータ） (2020-08-25T12:32:59Z)
• Paid Prioritization with Content Competition [30.784619324002996]
  本稿では,コンテンツプロバイダ (CP) の競争を伴う市場において,有償の優先順位付けを許可する効果について検討する。 我々は、高速レーンをサポートするインフラに投資するISPのコストを相殺するために、独占的なISPに優先料金を支払う競合CPについて検討する。 ISPがCPが補助する高速車線を十分に高収入で構築するインセンティブが存在することを示す。
  論文  参考訳（メタデータ） (2020-07-29T03:39:41Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。