論文の概要: Machine Learning Prediction of Gamer's Private Networks
- arxiv url: http://arxiv.org/abs/2012.06480v1
- Date: Mon, 7 Dec 2020 01:19:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:49:06.076422
- Title: Machine Learning Prediction of Gamer's Private Networks
- Title（参考訳）: ゲーマーのプライベートネットワークの機械学習予測
- Authors: Chris Mazur, Jesse Ayers, Gaetan Hains, and Youry Khmelevsky
- Abstract要約: Gamer's Private Network (GPN) は、WTFastが開発したクライアント/サーバ技術で、オンラインゲームのネットワーク性能をより速く、より信頼性の高いものにする。
gpn sは、ミドルマイルサーバとプロプライエタリなアルゴリズムを使用して、オンラインビデオゲームプレーヤーを広域ネットワーク上のゲームのサーバに接続する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Gamer's Private Network (GPN) is a client/server technology created by
WTFast for making the network performance of online games faster and more
reliable. GPN s use middle-mile servers and proprietary algorithms to better
connect online video-game players to their game's servers across a wide-area
network. Online games are a massive entertainment market and network latency is
a key aspect of a player's competitive edge. This market means many different
approaches to network architecture are implemented by different competing
companies and that those architectures are constantly evolving. Ensuring the
optimal connection between a client of WTFast and the online game they wish to
play is thus an incredibly difficult problem to automate. Using machine
learning, we analyzed historical network data from GPN connections to explore
the feasibility of network latency prediction which is a key part of
optimization. Our next step will be to collect live data (including
client/server load, packet and port information and specific game state
information) from GPN Minecraft servers and bots. We will use this information
in a Reinforcement Learning model along with predictions about latency to alter
the clients' and servers' configurations for optimal network performance. These
investigations and experiments will improve the quality of service and
reliability of GPN systems.
- Abstract（参考訳）: Gamer's Private Network (GPN) は、WTFastが開発したクライアント/サーバ技術で、オンラインゲームのネットワーク性能をより速く、より信頼性の高いものにする。
gpn sは、ミドルマイルサーバとプロプライエタリなアルゴリズムを使用して、オンラインビデオゲームプレーヤーを広域ネットワーク上のゲームのサーバに接続する。
オンラインゲームは巨大なエンターテイメント市場であり、ネットワーク遅延はプレイヤーの競争力の重要な側面である。
この市場は、ネットワークアーキテクチャに対する多くの異なるアプローチが、異なる競合企業によって実装され、それらのアーキテクチャが常に進化していることを意味する。
WTFastのクライアントと彼らがプレイしたいオンラインゲームとの間の最適な接続を確保することは、自動化するのが信じられないほど難しい問題です。
機械学習を用いて、GPN接続からの履歴ネットワークデータを解析し、最適化の鍵となるネットワーク遅延予測の可能性を探る。
次のステップは、gpn minecraftサーバとボットからライブデータ(クライアント/サーバのロード、パケットおよびポート情報および特定のゲーム状態情報を含む)を収集することです。
この情報を強化学習モデルに活用し、遅延に関する予測を行い、最適なネットワーク性能のためにクライアントとサーバの設定を変更する。
これらの調査と実験により,GPNシステムの品質と信頼性が向上する。
関連論文リスト
- Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。
このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。
本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。
また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文 参考訳（メタデータ） (2024-10-17T18:22:50Z) - Measuring and Estimating Key Quality Indicators in Cloud Gaming services [0.34410212782758043]
ゲーム産業は、還元ハードウェアデバイスにおけるゲームエクスペリエンスを改善するパラダイムであるCloud Gamingの概念を提案している。
本稿では,Cloud Gamingサービスの主要なE2Eメトリクス,すなわちKQIを計測し,推定するためのフレームワークを提案する。
異なる機械学習技術は、Cloud Gamingユーザエクスペリエンスに関連するKQIを予測するために評価される。
論文 参考訳（メタデータ） (2022-12-28T19:22:39Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳（メタデータ） (2022-07-26T21:38:07Z) - MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。
ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
論文 参考訳（メタデータ） (2022-05-25T11:08:20Z) - Action Recognition using Transfer Learning and Majority Voting for CSGO [0.6875312133832078]
本論文は, 4つの異なる行動の正確な予測モデルを構築し, 5つの異なる伝達学習モデルと, 自己発達した深層ニューラルネットワークの性能を比較することを目的とする。
このモデルにより、HLTVのデータ収集の問題を解決するとともに、より多くのデータを収集・処理する自動システムの構築が容易になる。
論文 参考訳（メタデータ） (2021-11-06T13:33:20Z) - HANT: Hardware-Aware Network Transformation [82.54824188745887]
ハードウェア・アウェア・ネットワーク・トランスフォーメーション(HANT)を提案する。
HANTは、ニューラルネットワーク検索のようなアプローチを使用して、非効率な操作をより効率的な代替手段に置き換える。
EfficientNetファミリの高速化に関する我々の結果は、ImageNetデータセットのトップ1の精度で最大3.6倍、0.4%の低下でHANTがそれらを加速できることを示している。
論文 参考訳（メタデータ） (2021-07-12T18:46:34Z) - Gamers Private Network Performance Forecasting. From Raw Data to the
Data Warehouse with Machine Learning and Neural Nets [0.0]
Gamers Private Network (GPN) は、標準的なインターネット接続よりも信頼性が高くレイテンシの低いオンラインビデオゲームの接続を保証するクライアント/サーバ技術である。
WTFastが収集した大量の生のネットワークデータを変換した後、クリーンなデータを専用データウェアハウスに構造化した。
これらの分析は,ネットワークの変化を予測し,定量化する能力を示し,オンラインゲームセッションに接続したユーザに対してGPNを使用することによって得られるメリットを実証する。
論文 参考訳（メタデータ） (2021-05-26T00:45:01Z) - Double Momentum SGD for Federated Learning [94.58442574293021]
我々は、フェデレート学習におけるモデル性能を改善するために、DOMOと呼ばれる新しいSGD変種を提案する。
1つのモメンタバッファはサーバ更新方向を追跡し、もう1つはローカル更新方向を追跡します。
本稿では,サーバとローカルモーメントSGDを協調する新しいサーバモーメント融合手法を提案する。
論文 参考訳（メタデータ） (2021-02-08T02:47:24Z) - AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors [12.071865017583502]
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
論文 参考訳（メタデータ） (2020-12-07T07:31:53Z) - Testing match-3 video games with Deep Reinforcement Learning [0.0]
そこで本研究では,Match-3 ゲームにおいて,Deep Reinforcement Learning を用いてテストプロセスを自動化する可能性について検討する。
我々は,レッドビットゲームズが開発したMatch-3ゲームであるJelly Juiceゲーム上で,この種のネットワークをテストする。
論文 参考訳（メタデータ） (2020-06-30T12:41:35Z) - Signaling in Bayesian Network Congestion Games: the Subtle Power of
Symmetry [66.82463322411614]
本論文は, 最適遠点透過型シグナリング方式の問題点に焦点をあて, 対称性がその解法において重要な性質であることを示す。
プレイヤーが対称でアフィンコスト関数を持つとき,最適なエクアント説得スキームが計算可能であることを示す。
論文 参考訳（メタデータ） (2020-02-12T19:38:15Z)
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。