Fugu-MT 論文翻訳(概要): Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks

論文の概要: Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks

arxiv url: http://arxiv.org/abs/2405.08473v1
Date: Tue, 14 May 2024 09:55:03 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 14:28:33.740284
Title: Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks
Title（参考訳）: ディジタルツインネットワークにおける実データ駆動型ネットワーク評価モデルの改善
Authors: Hyeju Shin, Ibrahim Aliyu, Abubakar Isah, Jinsul Kim,
Abstract要約: デジタルツインネットワーク(DTN)技術は,自律型ネットワークの基礎技術として期待されている。 DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいてネットワークを運用およびシステム化できるという利点がある。 DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。
参考スコア（独自算出の注目度）: 0.2499907423888049
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the emergence and proliferation of new forms of large-scale services such as smart homes, virtual reality/augmented reality, the increasingly complex networks are raising concerns about significant operational costs. As a result, the need for network management automation is emphasized, and Digital Twin Networks (DTN) technology is expected to become the foundation technology for autonomous networks. DTN has the advantage of being able to operate and system networks based on real-time collected data in a closed-loop system, and currently it is mainly designed for optimization scenarios. To improve network performance in optimization scenarios, it is necessary to select appropriate configurations and perform accurate performance evaluation based on real data. However, most network evaluation models currently use simulation data. Meanwhile, according to DTN standards documents, artificial intelligence (AI) models can ensure scalability, real-time performance, and accuracy in large-scale networks. Various AI research and standardization work is ongoing to optimize the use of DTN. When designing AI models, it is crucial to consider the characteristics of the data. This paper presents an autoencoder-based skip connected message passing neural network (AE-SMPN) as a network evaluation model using real network data. The model is created by utilizing graph neural network (GNN) with recurrent neural network (RNN) models to capture the spatiotemporal features of network data. Additionally, an AutoEncoder (AE) is employed to extract initial features. The neural network was trained using the real DTN dataset provided by the Barcelona Neural Networking Center (BNN-UPC), and the paper presents the analysis of the model structure along with experimental results.
Abstract（参考訳）: スマートホームや仮想現実(VR)、拡張現実(augmented reality)など、新しいタイプの大規模サービスの出現と拡大に伴い、ますます複雑なネットワークは、運用コストの大幅な増加を懸念している。その結果、ネットワーク管理自動化の必要性が強調され、Digital Twin Networks(DTN)技術が自律ネットワークの基礎技術となることが期待されている。 DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいて、ネットワークを運用およびシステム化できるという利点がある。最適化シナリオにおけるネットワーク性能を改善するためには、適切な構成を選択し、実データに基づいて正確な性能評価を行う必要がある。しかし、ほとんどのネットワーク評価モデルはシミュレーションデータを使っている。一方、DTN標準文書によると、人工知能(AI)モデルは、大規模ネットワークにおけるスケーラビリティ、リアルタイムパフォーマンス、正確性を保証することができる。 DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。 AIモデルを設計する場合、データの特徴を考慮することが不可欠である。本稿では,実ネットワークデータを用いたネットワーク評価モデルとして,オートエンコーダを用いたスキップ接続型メッセージパッシングニューラルネットワーク(AE-SMPN)を提案する。このモデルは、グラフニューラルネットワーク(GNN)とリカレントニューラルネットワーク(RNN)モデルを用いて、ネットワークデータの時空間的特徴をキャプチャすることによって作成される。さらに、最初の特徴を抽出するためにAutoEncoder(AE)が使用される。ニューラルネットワークはバルセロナニューラルネットワークセンター(BNN-UPC)が提供する実際のDTNデータセットを用いて訓練され,実験結果とともにモデル構造の解析を行った。

関連論文リスト

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)
Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文参考訳（メタデータ） (2023-12-03T13:50:24Z)
SynA-ResNet: Spike-driven ResNet Achieved through OR Residual Connection [10.702093960098104]
スパイキングニューラルネットワーク(SNN)は、その生物学的忠実さとエネルギー効率のよいスパイク駆動操作を実行する能力のために、脳のような計算にかなりの注意を払っている。 ORRC(Residual Connection)を通じて大量の冗長情報を蓄積する新しいトレーニングパラダイムを提案する。次に,SynA(SynA)モジュールを用いて冗長情報をフィルタリングし,背骨における特徴抽出を促進するとともに,ショートカットにおけるノイズや無駄な特徴の影響を抑える。
論文参考訳（メタデータ） (2023-11-11T13:36:27Z)
Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-03T23:55:17Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文参考訳（メタデータ） (2021-12-01T18:20:52Z)
Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation [21.297461316329453]
本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
論文参考訳（メタデータ） (2020-06-30T06:38:08Z)
Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文参考訳（メタデータ） (2020-04-08T06:55:12Z)
1D CNN Based Network Intrusion Detection with Normalization on Imbalanced Data [0.19336815376402716]
侵入検知システム(IDS)は、コンピュータネットワークにおいて、コンピュータ資源とデータを外部攻撃から保護する重要な役割を担っている。最近のIDSは、予期せぬ、予測不能な攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。 1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDS構築のための深層学習手法を提案する。
論文参考訳（メタデータ） (2020-03-01T12:23:46Z)

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。