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
- 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) - Quality In / Quality Out: Assessing Data quality in an Anomaly Detection
Benchmark [0.13764085113103217]
同じベンチマークデータセット(異常検出のためのフローベースリアルタイムデータセットであるUGR'16)に対する比較的小さな変更は、考慮した機械学習技術よりも、モデルパフォーマンスに著しく影響することを示します。
この結果から,自律型ネットワークにおけるデータ品質評価と最適化技術に,より注意を払う必要があることが示唆された。
論文 参考訳(メタデータ) (2023-05-31T12:03:12Z) - 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) - Variational Autoencoder Assisted Neural Network Likelihood RSRP
Prediction Model [2.881201648416745]
MDTデータとデジタルツイン(DT)を利用したRSRP予測のための生成モデルについて検討する。
実世界のデータを用いた提案モデルでは,実証モデルと比較して約20%以上の精度向上が示されている。
論文 参考訳(メタデータ) (2022-06-27T17:27:35Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳(メタデータ) (2021-06-02T07:36:27Z) - 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) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳(メタデータ) (2020-11-16T08:24:34Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - 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。