論文の概要: 5G Network Slicing: Analysis of Multiple Machine Learning Classifiers

• arxiv url: http://arxiv.org/abs/2310.01747v1
• Date: Tue, 3 Oct 2023 02:16:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 17:54:38.515372
• Title: 5G Network Slicing: Analysis of Multiple Machine Learning Classifiers
• Title（参考訳）: 5Gネットワークスライシング:複数機械学習分類器の解析
• Authors: Mirsad Malkoc, Hisham A. Kholidy
• Abstract要約: 本稿では,ロジスティック回帰モデル,線形判別モデル,k-ネアレスト近傍モデル,決定木モデル,ランダム森林モデル,SVC BernoulliNBモデル,ガウスアンNBモデルなど,さまざまな機械学習手法を評価し,ネットワークスライス検出における各モデルの精度と精度について検討する。 レポートでは5Gネットワークスライシングの概要も紹介されている。
• 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: The division of one physical 5G communications infrastructure into several virtual network slices with distinct characteristics such as bandwidth, latency, reliability, security, and service quality is known as 5G network slicing. Each slice is a separate logical network that meets the requirements of specific services or use cases, such as virtual reality, gaming, autonomous vehicles, or industrial automation. The network slice can be adjusted dynamically to meet the changing demands of the service, resulting in a more cost-effective and efficient approach to delivering diverse services and applications over a shared infrastructure. This paper assesses various machine learning techniques, including the logistic regression model, linear discriminant model, k-nearest neighbor's model, decision tree model, random forest model, SVC BernoulliNB model, and GaussianNB model, to investigate the accuracy and precision of each model on detecting network slices. The report also gives an overview of 5G network slicing.
• Abstract（参考訳）: 1つの物理的5g通信インフラストラクチャを、帯域幅、レイテンシ、信頼性、セキュリティ、サービス品質といった異なる特徴を持つ複数の仮想ネットワークスライスに分割することは、5gネットワークスライスと呼ばれる。 各スライスは、仮想現実、ゲーム、自動運転車、産業自動化など、特定のサービスやユースケースの要件を満たす独立した論理ネットワークである。 ネットワークスライスはサービスの要求の変化に合わせて動的に調整することができ、共有インフラストラクチャ上で多様なサービスやアプリケーションを提供するためのコスト効率が高く効率的なアプローチが実現される。 本稿では,ロジスティック回帰モデル,線形判別モデル,k-ネアレスト近傍モデル,決定木モデル,ランダム森林モデル,SVC BernoulliNBモデル,ガウスアンNBモデルなど,さまざまな機械学習手法を評価し,ネットワークスライス検出における各モデルの精度と精度について検討する。 レポートでは5Gネットワークスライシングの概要も紹介されている。

関連論文リスト

• Learning to Slice Wi-Fi Networks: A State-Augmented Primal-Dual Approach [79.00655335405195]
  ネットワークスライシングは、5G/NGセルラーネットワークにおいて重要な機能であり、様々なQoS(Quality-of-Service)要件の異なるサービスタイプ用にカスタマイズされたスライスを作成する。 Wi-Fiネットワークでは、スライシングに関する事前作業が限られており、潜在的なソリューションは、異なるスライスに異なるチャネルを割り当てる単一のアクセスポイント(AP)上のマルチテナントアーキテクチャに基づいている。 エルゴディック要件を満たすスライシング決定を生成するためには,国家の強化が不可欠であることを示す。
  論文  参考訳（メタデータ） (2024-05-09T13:13:34Z)
• NetBench: A Large-Scale and Comprehensive Network Traffic Benchmark Dataset for Foundation Models [15.452625276982987]
  ネットワークトラフィック(ネットワークトラフィック、英: network traffic)は、インターネット上のコンピュータやサイバー物理システム間のパケットの形で送信されるデータ量である。 我々は,ネットワークトラフィック分類と生成タスクの両方において,機械学習モデル,特に基礎モデルを評価するための大規模かつ包括的なベンチマークデータセットであるNetBenchを紹介した。
  論文  参考訳（メタデータ） (2024-03-15T14:09:54Z)
• Vertical Layering of Quantized Neural Networks for Heterogeneous Inference [57.42762335081385]
  量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。 理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
  論文  参考訳（メタデータ） (2022-12-10T15:57:38Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Highly Accurate and Reliable Wireless Network Slicing in 5th Generation Networks: A Hybrid Deep Learning Approach [21.137037568638974]
  畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)を組み合わせたハイブリッドディープラーニングモデルを提案する。 全体の95.17%の精度は、その適用性を反映した提案されたモデルによって達成される。
  論文  参考訳（メタデータ） (2021-10-07T10:05:25Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• ANT: Learning Accurate Network Throughput for Better Adaptive Video Streaming [20.544139447901113]
  アダプティブビットレート(ABR)決定は、ビデオストリーミングアプリケーションで満足のいくQoE(Quality of Experience)を確保するために重要な役割を果たします。 本稿では、ネットワークスループットダイナミクスの全スペクトルを特徴付けるためにANT(a.k.a., Accurate Network Throughput)モデルを学ぶことを提案する。 その結果,現在のPensiveやOboeと比較して,ユーザQoEを65.5%,31.3%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:15:53Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Inferring Network Structure From Data [1.2437226707039446]
  本稿では,ネットワークの様々なタスクに対する有効性を評価することに焦点を当てたネットワークモデル選択手法を提案する。 このネットワーク定義は、基礎となるシステムの振る舞いをモデル化するためのいくつかの方法において重要であることを実証する。
  論文  参考訳（メタデータ） (2020-04-04T23:30:54Z)

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。