論文の概要: Generation of Realistic Cloud Access Times for Mobile Application Testing using Transfer Learning

• arxiv url: http://arxiv.org/abs/2103.09355v1
• Date: Tue, 16 Mar 2021 22:42:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 12:51:49.095417
• Title: Generation of Realistic Cloud Access Times for Mobile Application Testing using Transfer Learning
• Title（参考訳）: 移行学習を用いたモバイルアプリケーションテストのための実時間クラウドアクセス時間の生成
• Authors: Manoj R. Rege, Vlado Handziski, Adam Wolisz
• Abstract要約: 本稿では,Long Short Term Memory(LSTM)ニューラルネットを用いた伝達学習に基づく計測駆動手法について述べる。 本機能は,多様なターゲット環境に適応した現実的なWiFiおよびLTEクラウドアクセス時間モデルに対して提案する。 これらのモデルから生成された合成トレースは、アプリケーションqoeメトリック分布を正確に再現できることを実証する。
• 参考スコア（独自算出の注目度）: 2.561649173827544
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The network Quality of Service (QoS) metrics such as the access time, the bandwidth, and the packet loss play an important role in determining the Quality of Experience (QoE) of mobile applications. Various factors like the Radio Resource Control (RRC) states, the Mobile Network Operator (MNO) specific retransmission configurations, handovers triggered by the user mobility, the network load etc. can cause high variability in these QoS metrics on 4G/LTE, and WiFi networks, which can be detrimental to the application QoE. Therefore, exposing mobile application to realistic network QoS metrics is critical for testers attempting to predict its QoE. A viable approach is testing using synthetic traces. The main challenge in generation of realisitc synthetic traces is the diversity of environments and lack of wide scope of real traces to calibrate the generators. In this paper, we describe a measurement-driven methodology based on transfer learning with Long Short Term Memory (LSTM) neural nets to solve this problem. The methodology requires a relatively short sample of the targeted environment to adapt the presented basic model to new environments, thus simplifying synthetic traces generation. We present this feature for realistic WiFi and LTE cloud access time models adapted for diverse target environments with a trace size of just 6000 samples measured over a few tens of minutes. We demonstrate that synthetic traces generated from these models are capable of accurately reproducing application QoE metric distributions including their outlier values.
• Abstract（参考訳）: アクセス時間、帯域幅、パケットロスといったqos(network quality of service)メトリクスは、モバイルアプリケーションのqoe(quality of experience)を決定する上で重要な役割を果たす。 Radio Resource Control (RRC) 状態、Mobile Network Operator (MNO) 固有の再送信構成、ユーザモビリティによって引き起こされるハンドオーバ、ネットワーク負荷など、さまざまな要因があります。 4G/LTE上のこれらのQoSメトリクスや、アプリケーションQoEに有害なWiFiネットワークに高いばらつきを引き起こす可能性がある。 したがって、モバイルアプリケーションを現実的なネットワークQoSメトリクスに公開することは、QoEを予測しようとするテスタにとって非常に重要です。 有効なアプローチは、合成トレースを使用したテストである。 realisitc合成トレースの生成における大きな課題は、環境の多様性と、ジェネレータを校正するための実トレースの広い範囲の欠如である。 本稿では,Long Short Term Memory(LSTM)ニューラルネットを用いた転送学習に基づく計測駆動手法について述べる。 この手法では、提示された基本モデルを新しい環境に適用するために、ターゲット環境の比較的短いサンプルが必要である。 この機能は,数千分で測定された6000サンプルのトレースサイズを持つ,多様なターゲット環境に適用可能な,現実的なWiFiおよびLTEクラウドアクセス時間モデルに対して提案する。 これらのモデルから生成された合成トレースは、その外れ値を含むアプリケーションqoeメトリック分布を正確に再現できることを実証する。

関連論文リスト

• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• 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)
• ConvLSTMTransNet: A Hybrid Deep Learning Approach for Internet Traffic Telemetry [0.0]
  本稿では,時系列予測のためのハイブリッドディープラーニングモデルConvLSTMTransNetを提案する。 以上の結果から,ConvLSTMTransNetは予測精度において,ベースラインモデルよりも約10%優れていた。
  論文  参考訳（メタデータ） (2024-09-20T03:12:57Z)
• UL-VIO: Ultra-lightweight Visual-Inertial Odometry with Noise Robust Test-time Adaptation [12.511829774226113]
  視覚-慣性整合性に基づくテスト時間適応(TTA)が可能な超軽量 (1M) 視覚慣性オドメトリー (VIO) ネットワークを提案する。 KITTIデータセットで1分間のエラー増加 – 1% – で、最先端のネットワークサイズよりも36倍小さなネットワークサイズを実現している。
  論文  参考訳（メタデータ） (2024-09-19T22:24:14Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments [53.79708667153109]
  スマートオブジェクト、特に自動運転車は、限られたリソースのために重要なローカル計算の課題に直面している。 そこで本研究では,モデルがハエに適応し,動的環境をセルに分割する,新しいマルチストリームセルラーテスト時間適応方式を提案する。 我々は、位置と天候条件に基づいて定義された細胞を横断する自動運転車の文脈で、我々の方法論を検証する。
  論文  参考訳（メタデータ） (2024-04-27T15:00:57Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• RouteNet-Fermi: Network Modeling with Graph Neural Networks [7.227467283378366]
  我々は、キューイング理論と同じ目標を共有するカスタムグラフニューラルネットワーク(GNN)モデルであるRouteNet-Fermiを紹介する。 提案モデルでは,ネットワークの遅延,ジッタ,パケット損失を正確に予測する。 実験の結果,RouteNet-Fermi はパケットレベルシミュレータと同様の精度でパケットレベルシミュレータを実現することがわかった。
  論文  参考訳（メタデータ） (2022-12-22T23:02:40Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation [24.084053136210027]
  グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。 提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
  論文  参考訳（メタデータ） (2021-01-04T05:59:50Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。