論文の概要: Long Short Term Memory Networks for Bandwidth Forecasting in Mobile
Broadband Networks under Mobility
- arxiv url: http://arxiv.org/abs/2011.10563v1
- Date: Fri, 20 Nov 2020 18:59:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 06:43:35.553574
- Title: Long Short Term Memory Networks for Bandwidth Forecasting in Mobile
Broadband Networks under Mobility
- Title（参考訳）: 移動型広帯域ネットワークにおける帯域幅予測のための長期記憶ネットワーク
- Authors: Konstantinos Kousias, Apostolos Pappas, Ozgu Alay, Antonios Argyriou
and Michael Riegler
- Abstract要約: MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。
主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。
特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
- 参考スコア（独自算出の注目度）: 6.112377814215607
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bandwidth forecasting in Mobile Broadband (MBB) networks is a challenging
task, particularly when coupled with a degree of mobility. In this work, we
introduce HINDSIGHT++, an open-source R-based framework for bandwidth
forecasting experimentation in MBB networks with Long Short Term Memory (LSTM)
networks. We instrument HINDSIGHT++ following an Automated Machine Learning
(AutoML) paradigm to first, alleviate the burden of data preprocessing, and
second, enhance performance related aspects. We primarily focus on bandwidth
forecasting for Fifth Generation (5G) networks. In particular, we leverage
5Gophers, the first open-source attempt to measure network performance on
operational 5G networks in the US. We further explore the LSTM performance
boundaries on Fourth Generation (4G) commercial settings using NYU-METS, an
open-source dataset comprising of hundreds of bandwidth traces spanning
different mobility scenarios. Our study aims to investigate the impact of
hyperparameter optimization on achieving state-of-the-art performance and
beyond. Results highlight its significance under 5G scenarios showing an
average Mean Absolute Error (MAE) decrease of near 30% when compared to prior
state-of-the-art values. Due to its universal design, we argue that HINDSIGHT++
can serve as a handy software tool for a multitude of applications in other
scientific fields.
- Abstract（参考訳）: モバイルブロードバンド(MBB)ネットワークにおける帯域幅予測は,特にモビリティの程度と組み合わせた場合の課題である。
本研究では,LSTM(Long Short Term Memory)ネットワークを用いたMBBネットワークにおける帯域幅予測実験のためのオープンソースのRベースのフレームワークであるHINDSIGHT++を紹介する。
まず、自動機械学習(automl)パラダイムに従って、データ前処理の負担を軽減し、次にパフォーマンス関連の側面を強化するために、hindsight++を実装します。
主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。
特に,米国内で運用中の5gネットワーク上でネットワークパフォーマンスを測定する最初のオープンソース試みである5gophersを活用しています。
さらに、さまざまなモビリティシナリオにまたがる数百の帯域トレースからなるオープンソースデータセットであるNYU-METSを用いて、第4世代(4G)の商用設定におけるLSTMパフォーマンス境界について検討する。
本研究では,ハイパーパラメータ最適化が最先端性能に与える影響について検討することを目的とした。
その結果, 平均平均絶対誤差(MAE)が従来の最先端値と比較して30%近く減少することを示す5Gシナリオ下での意義が示された。
汎用設計のため、HINDSIGHT++は他の科学分野の様々な応用のための便利なソフトウェアツールとして機能すると主張している。
関連論文リスト
- WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。
本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-11-11T02:48:00Z) - ML KPI Prediction in 5G and B5G Networks [0.824969449883056]
エンド・ツー・エンド(E2E)ネットワークスライスを持つ5GおよびB5Gネットワークのスループットを推定するために使用される機械学習(ML)モデルを提案する。
予測スループットと現在のネットワーク状態を組み合わせることで,他のネットワーク評価の見積を導出する。
論文 参考訳（メタデータ） (2024-04-01T23:34:28Z) - A Robust Machine Learning Approach for Path Loss Prediction in 5G
Networks with Nested Cross Validation [0.6138671548064356]
5Gネットワークシステムにおいて,従来の経路損失予測モデルを克服する機械学習(ML)手法を用いて経路損失予測を行う。
まず,中国北京の都市マクロセルシナリオで実施した総合的な計測キャンペーンから得られたデータセットを取得する。
我々は、経路損失を予測するために、サポートベクトル回帰(SVR)、キャットブースト回帰(CBR)、eXtreme Gradient Boosting Regression(XGBR)、人工ニューラルネットワーク(ANN)、ランダムフォレスト(RF)メソッドをデプロイし、平均絶対誤差(MAE)、平均平方誤差(MSE)で予測結果を比較した。
論文 参考訳（メタデータ） (2023-10-02T09:21:58Z) - Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。
LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
論文 参考訳（メタデータ） (2022-09-13T10:39:41Z) - Towards Supporting Intelligence in 5G/6G Core Networks: NWDAF
Implementation and Initial Analysis [3.5573601621032935]
本稿では,NWDAFをオープンソースソフトウェアを用いて開発した5Gネットワークに組み込む。
5Gネットワークの期待される限界は,6Gネットワーク開発へのモチベーションとして議論される。
論文 参考訳（メタデータ） (2022-05-30T14:15:46Z) - Multi-Exit Semantic Segmentation Networks [78.44441236864057]
本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。
パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。
接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
論文 参考訳（メタデータ） (2021-06-07T11:37:03Z) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳（メタデータ） (2021-06-02T05:03:38Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z) - To Talk or to Work: Energy Efficient Federated Learning over Mobile
Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。
モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。
我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
論文 参考訳（メタデータ） (2020-12-21T01:13:44Z) - True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します
TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。
本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
論文 参考訳（メタデータ） (2020-11-26T06:42:36Z)
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。