論文の概要: Short-Term Flow-Based Bandwidth Forecasting using Machine Learning

• arxiv url: http://arxiv.org/abs/2011.14421v2
• Date: Thu, 3 Dec 2020 12:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 09:48:54.496563
• Title: Short-Term Flow-Based Bandwidth Forecasting using Machine Learning
• Title（参考訳）: 機械学習を用いた短期フローベース帯域予測
• Authors: Maxime Labonne, Jorge L\'opez, Claude Poletti, Jean-Baptiste Munier
• Abstract要約: 本稿では,交通流の帯域幅を事前に予測するための新しい枠組みを提案する。 パケットを実生活のトラフィックから関連する機能を含むフローに変換する。 決定木、ランダムフォレスト、XGBoost、Deep Neural Networkを含む機械学習モデルは、このデータに基づいてトレーニングされている。
• 参考スコア（独自算出の注目度）: 2.4087148947930634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel framework to predict traffic flows' bandwidth ahead of time. Modern network management systems share a common issue: the network situation evolves between the moment the decision is made and the moment when actions (countermeasures) are applied. This framework converts packets from real-life traffic into flows containing relevant features. Machine learning models, including Decision Tree, Random Forest, XGBoost, and Deep Neural Network, are trained on these data to predict the bandwidth at the next time instance for every flow. Predictions can be fed to the management system instead of current flows bandwidth in order to take decisions on a more accurate network state. Experiments were performed on 981,774 flows and 15 different time windows (from 0.03s to 4s). They show that the Random Forest is the best performing and most reliable model, with a predictive performance consistently better than relying on the current bandwidth (+19.73% in mean absolute error and +18.00% in root mean square error). Experimental results indicate that this framework can help network management systems to take more informed decisions using a predicted network state.
• Abstract（参考訳）: 本稿では,トラヒックフローの帯域幅を事前に予測する新しい枠組みを提案する。 現代のネットワーク管理システムは共通の問題を共有しており、決定が下された瞬間と行動(計数)が適用された瞬間の間にネットワーク状況が進化する。 このフレームワークは、パケットを実際のトラフィックから関連する機能を含むフローに変換する。 Decision Tree、Random Forest、XGBoost、Deep Neural Networkといった機械学習モデルは、これらのデータに基づいてトレーニングされ、各フローの次回インスタンスの帯域幅を予測する。 予測は、より正確なネットワーク状態を決定するために、現在のフロー帯域ではなく、管理システムに送信することができる。 981,774流と15の異なる時間窓(0.03から4s)で実験を行った。 彼らはランダムフォレストが、現在の帯域幅(平均絶対誤差は+19.73%、根平均二乗誤差は+18.00%)よりも常に優れた予測性能を持つ、最高の性能と信頼性のあるモデルであることを示した。 実験の結果,このフレームワークは予測されたネットワーク状態を用いてネットワーク管理システムがより情報的な決定を下すのに役立つことが示唆された。

関連論文リスト

• WardropNet: Traffic Flow Predictions via Equilibrium-Augmented Learning [3.592366968127126]
  我々は,高速かつ正確なトラフィックフロー予測を可能にする,新しい拡張ニューラルネットワークアーキテクチャを導入する。 本稿では、平衡の幾何に適合するブレグマンの発散を利用して、エンドツーエンドの学習を可能にする方法を示す。 WardropNetは、リアルでスタイリングされたトラフィックシナリオに対するトラフィック均衡を予測する純粋な学習ベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2024-10-09T08:07:29Z)
• ServeFlow: A Fast-Slow Model Architecture for Network Traffic Analysis [9.537658110792208]
  ServeFlowは、ネットワークトラフィック分析タスクを対象とした機械学習モデルのソリューションである。 収集するパケットの数と、個々のフローに適用するモデルを選択して、最小のレイテンシ、高いサービスレート、高い精度のバランスを実現する。 16ms以下では76.3%のフローで推論が可能で、これは中央のエンドツーエンドのサービスレイテンシでは40.5倍のスピードアップである。
  論文  参考訳（メタデータ） (2024-02-06T04:28:33Z)
• Transfer learning-based physics-informed convolutional neural network for simulating flow in porous media with time-varying controls [0.0]
  多孔質媒質中の二相流をシミュレートする物理インフォームド畳み込みニューラルネットワークを提案する。 有限体積スキームは流れの方程式を識別するために用いられる。 N ノイマン境界条件は半離散方程式にシームレスに組み込まれる。
  論文  参考訳（メタデータ） (2023-10-10T05:29:33Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Feature-Learning Networks Are Consistent Across Widths At Realistic Scales [72.27228085606147]
  様々なアーキテクチャやデータセットにわたる特徴学習ニューラルネットワークのダイナミクスに対する幅の影響について検討する。 トレーニングの初期、オンラインデータでトレーニングされた広範なニューラルネットワークは、損失曲線が同じであるだけでなく、トレーニング全体を通じてポイントワイドなテスト予測に一致している。 しかし、より狭いネットワークのアンサンブルは、単一のワイドネットワークよりも性能が劣っている。
  論文  参考訳（メタデータ） (2023-05-28T17:09:32Z)
• GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
  モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。 最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。 GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
  論文  参考訳（メタデータ） (2022-10-24T03:00:01Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Any-Width Networks [43.98007529334065]
  本稿では,推定時の速度と精度を細かく制御できる調整可能な幅CNNアーキテクチャを提案する。 我々の重要な革新は、幅の異なるバッチ統計に明示的に対処する低三角形の重み行列を使うことである。 提案したAWNが既存の手法と良好に比較でき、推論中に最大粒度制御が可能であることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-12-06T00:22:01Z)
• Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
  効率的なインテリジェント交通システムには交通流の予測が不可欠である。 本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。 多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
  論文  参考訳（メタデータ） (2020-06-08T15:17:58Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video Streaming over HTTP [89.30855958779425]
  Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。 本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
  論文  参考訳（メタデータ） (2019-12-27T01:19:14Z)

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。