論文の概要: Applications of Artificial Intelligence, Machine Learning and related
techniques for Computer Networking Systems
- arxiv url: http://arxiv.org/abs/2105.15103v1
- Date: Wed, 21 Apr 2021 05:40:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 00:13:56.721872
- Title: Applications of Artificial Intelligence, Machine Learning and related
techniques for Computer Networking Systems
- Title(参考訳): コンピュータネットワークシステムにおける人工知能、機械学習および関連技術の適用
- Authors: Krishna M. Sivalingam
- Abstract要約: 本稿では,人工知能と機械学習(AI/ML)の応用について概観し,コンピュータネットワークの領域における問題に対処する。
この技術は、効率的で正確なトラフィック予測、トラフィック分類、異常検出、ネットワーク管理、ネットワークセキュリティ、ネットワークリソースの割り当てと最適化をサポートするために使われてきた。
- 参考スコア(独自算出の注目度): 0.8376091455761258
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This article presents a primer/overview of applications of Artificial
Intelligence and Machine Learning (AI/ML) techniques to address problems in the
domain of computer networking. In particular, the techniques have been used to
support efficient and accurate traffic prediction, traffic classification,
anomaly detection, network management, network security, network resource
allocation and optimization, network scheduling algorithms, fault diagnosis and
many more such applications. The article first summarizes some of the key
networking concepts and a few representative machine learning techniques and
algorithms. The article then presents details regarding the availability of
data sets for networking applications and machine learning software and
toolkits for processing these data sets. Highlights of some of the standards
activities, pursued by ITU-T and ETSI, which are related to AI/ML for
networking, are also presented. Finally, the article discusses a small set of
representative networking problems where AI/ML techniques have been
successfully applied.
- Abstract(参考訳): 本稿では,人工知能と機械学習(AI/ML)技術のコンピュータネットワーク分野における問題への取り組みについて概観する。
特に、効率的で正確なトラフィック予測、トラフィック分類、異常検出、ネットワーク管理、ネットワークセキュリティ、ネットワークリソースの割り当てと最適化、ネットワークスケジューリングアルゴリズム、障害診断、その他多くのアプリケーションをサポートするためにこの技術が使われている。
この記事ではまず、主要なネットワーク概念と、いくつかの代表的な機械学習技術とアルゴリズムを要約する。
この記事では、ネットワークアプリケーションと機械学習ソフトウェアのためのデータセットと、これらのデータセットを処理するためのツールキットの可用性に関する詳細を紹介する。
ITU-TとETSIによって追求された、ネットワークのためのAI/MLに関連するいくつかの標準アクティビティのハイライトも紹介されている。
最後に、AI/ML技術がうまく適用された、いくつかの代表的ネットワーク問題について論じる。
関連論文リスト
- Systematic review, analysis, and characterisation of malicious industrial network traffic datasets for aiding Machine Learning algorithm performance testing [0.0]
本稿では,公開可能なネットワークトラフィックキャプチャに基づくデータセットを体系的にレビューする。
これには、含まれた攻撃タイプの分類、メタデータのレビュー、統計分析、複雑さ分析が含まれる。
研究者にメタデータを提供し、研究の質問に最適なデータセットを選択するのに使用できる。
論文 参考訳(メタデータ) (2024-05-08T07:48:40Z) - Towards Intelligent Network Management: Leveraging AI for Network
Service Detection [0.0]
本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。
我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。
本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
論文 参考訳(メタデータ) (2023-10-14T16:06:11Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:29:20Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳(メタデータ) (2022-05-27T13:09:29Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳(メタデータ) (2021-05-04T23:42:06Z) - Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。
大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。
まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。
次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
論文 参考訳(メタデータ) (2021-03-10T20:10:53Z) - Making a Case for Federated Learning in the Internet of Vehicles and
Intelligent Transportation Systems [6.699060157800401]
車両のインターネット(IoV)はインテリジェント交通システム(ITS)に変換されます。
これらの課題に対処するために,協調的分散知能技術である連合学習が提案されている。
多数のユースケースとメリットを備えたFederated Learningは、ITSの重要なイネーブラーであり、5Gおよびネットワークやアプリケーションを超えて広く実装される予定です。
論文 参考訳(メタデータ) (2021-02-19T20:07:17Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳(メタデータ) (2020-07-31T13:21:33Z) - Machine Learning for Intelligent Optical Networks: A Comprehensive
Survey [9.947717243638289]
コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。
本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。
MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
論文 参考訳(メタデータ) (2020-03-11T13:51:38Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。