論文の概要: Low Complexity Approaches for End-to-End Latency Prediction
- arxiv url: http://arxiv.org/abs/2302.00004v1
- Date: Tue, 31 Jan 2023 10:31:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 18:36:33.156364
- Title: Low Complexity Approaches for End-to-End Latency Prediction
- Title（参考訳）: エンドツーエンドのレイテンシ予測のための低複雑性アプローチ
- Authors: Pierre Larrenie (LIGM), Jean-Fran\c{c}ois Bercher (LIGM), Olivier
Venard (ESYCOM), Iyad Lahsen-Cherif (INPT)
- Abstract要約: 我々は、エンドツーエンドのレイテンシ予測に焦点を当て、GNNにおける最近の国際的課題から得られた公開データセットに、我々のアプローチと結果を説明する。
提案手法は,最先端のグローバルGNNソリューションと比較して,比較的低い精度で予測精度を保ちながら,トレーニングと推論の両面において,壁面時間を大幅に短縮する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software Defined Networks have opened the door to statistical and AI-based
techniques to improve efficiency of networking. Especially to ensure a certain
Quality of Service (QoS) for specific applications by routing packets with
awareness on content nature (VoIP, video, files, etc.) and its needs (latency,
bandwidth, etc.) to use efficiently resources of a network. Predicting various
Key Performance Indicators (KPIs) at any level may handle such problems while
preserving network bandwidth. The question addressed in this work is the design
of efficient and low-cost algorithms for KPI prediction, implementable at the
local level. We focus on end-to-end latency prediction, for which we illustrate
our approaches and results on a public dataset from the recent international
challenge on GNN [1]. We propose several low complexity, locally implementable
approaches, achieving significantly lower wall time both for training and
inference, with marginally worse prediction accuracy compared to
state-of-the-art global GNN solutions.
- Abstract（参考訳）: Software Defined Networksは、ネットワークの効率を改善するための統計的およびAIベースの技術への扉を開いた。
特に、ネットワークの効率的なリソース利用に必要なパケット(VoIP、ビデオ、ファイルなど)と、そのニーズ(レイテンシ、帯域幅など)を意識してルーティングすることで、特定のアプリケーションに対する特定のQuality of Service(QoS)を確保する。
任意のレベルでキーパフォーマンス指標(KPI)を予測することは、ネットワーク帯域幅を保ちながらそのような問題に対処することができる。
この研究で解決された問題は、ローカルレベルで実装可能なKPI予測のための効率的で低コストなアルゴリズムの設計である。
我々は、エンドツーエンドのレイテンシ予測に焦点を当て、GNNにおける最近の国際課題から得られた公開データセットにアプローチと結果を説明する。
提案手法は,最先端のグローバルGNNソリューションと比較して,比較的低い精度で予測精度を保ちながら,トレーニングと推論の両面において,壁面時間を大幅に短縮する。
関連論文リスト
- Decentralized Optimization in Time-Varying Networks with Arbitrary Delays [22.40154714677385]
通信遅延によるネットワークの分散最適化問題を考察する。
そのようなネットワークの例としては、協調機械学習、センサーネットワーク、マルチエージェントシステムなどがある。
通信遅延を模倣するため、ネットワークに仮想非計算ノードを追加し、有向グラフを生成する。
論文 参考訳（メタデータ） (2024-05-29T20:51:38Z) - Optimized Generation of Entanglement by Real-Time Ordering of Swapping Operations [4.152766500389854]
量子ネットワークにおける長距離量子通信は、非閉鎖定理によって課される制約のために大きな課題に直面している。
既存のほとんどの量子通信プロトコルは、絡み合い対(EP)の事前分布に依存している。
本稿では,現行のネットワークに基づいて,各段階において最適な経路および/または絡み込みスワッピング動作を反復的に決定するグリーディアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-13T06:43:11Z) - Low Complexity Adaptive Machine Learning Approaches for End-to-End
Latency Prediction [0.0]
この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。
我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
論文 参考訳（メタデータ） (2023-01-31T10:29:11Z) - Accuracy-Guaranteed Collaborative DNN Inference in Industrial IoT via
Deep Reinforcement Learning [10.223526707269537]
計算集約型ディープニューラルネットワーク(DNN)推論サービスをサポートするためには,IoT(Industrial Internet of Things)デバイスとエッジネットワークのコラボレーションが不可欠だ。
本稿では,産業用IoTネットワークにおける協調推論問題について検討する。
論文 参考訳（メタデータ） (2022-12-31T05:53:17Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Adaptive Inference through Early-Exit Networks: Design, Challenges and
Directions [80.78077900288868]
初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。
我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
論文 参考訳（メタデータ） (2021-06-09T12:33:02Z) - Multi-Exit Semantic Segmentation Networks [78.44441236864057]
本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。
パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。
接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
論文 参考訳（メタデータ） (2021-06-07T11:37:03Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-29T11:56:01Z) - AOWS: Adaptive and optimal network width search with latency constraints [30.39613826468697]
チャネル番号を最適に探索する新しい一発一発NAS手法を提案する。
ImageNet分類実験により,異なるターゲットプラットフォーム上でのリソース制約に適合するネットワークを見つけることができた。
論文 参考訳（メタデータ） (2020-05-21T06:46:16Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z)
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。