論文の概要: Peering Partner Recommendation for ISPs using Machine Learning

• arxiv url: http://arxiv.org/abs/2509.09146v1
• Date: Thu, 11 Sep 2025 04:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.229359
• Title: Peering Partner Recommendation for ISPs using Machine Learning
• Title（参考訳）: 機械学習を用いたISPのためのピアリングパートナー勧告
• Authors: Md Ibrahim Ibne Alam, Ankur Senapati, Anindo Mahmood, Murat Yuksel, Koushik Kar,
• Abstract要約: インターネットサービスプロバイダ(ISP)は、ユーザに対してグローバルな接続サービスを提供するために、他のISPと接続する必要がある。 ISPペアがピアかどうかを予測する機械学習(ML)モデルを開発した。 公開データでトレーニングされたXGBoostモデルは、有望なパフォーマンスを示し、ピアリングパートナーを予測する精度は98%だった。
• 参考スコア（独自算出の注目度）: 4.317017868438434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet service providers (ISPs) need to connect with other ISPs to provide global connectivity services to their users. To ensure global connectivity, ISPs can either use transit service(s) or establish direct peering relationships between themselves via Internet exchange points (IXPs). Peering offers more room for ISP-specific optimizations and is preferred, but it often involves a lengthy and complex process. Automating peering partner selection can enhance efficiency in the global Internet ecosystem. We explore the use of publicly available data on ISPs to develop a machine learning (ML) model that can predict whether an ISP pair should peer or not. At first, we explore public databases, e.g., PeeringDB, CAIDA, etc., to gather data on ISPs. Then, we evaluate the performance of three broad types of ML models for predicting peering relationships: tree-based, neural network-based, and transformer-based. Among these, we observe that tree-based models achieve the highest accuracy and efficiency in our experiments. The XGBoost model trained with publicly available data showed promising performance, with a 98% accuracy rate in predicting peering partners. In addition, the model demonstrated great resilience to variations in time, space, and missing data. We envision that ISPs can adopt our method to fully automate the peering partner selection process, thus transitioning to a more efficient and optimized Internet ecosystem.
• Abstract（参考訳）: インターネットサービスプロバイダ(ISP)は、ユーザに対してグローバルな接続サービスを提供するために、他のISPと接続する必要がある。 グローバル接続を確保するため、ISPはトランジットサービスを利用するか、インターネット交換ポイント(IXP)を介して直接ピアリング関係を確立することができる。 ピアリングはISP固有の最適化のための余地を多く提供し、好まれるが、多くの場合、長く複雑なプロセスが伴う。 ピアリングパートナーの選択を自動化することで、グローバルインターネットエコシステムの効率性を高めることができる。 我々は、ISPのペアがピアかどうかを予測できる機械学習(ML)モデルを開発するために、ISP上で公開されているデータの利用について検討する。 まず、ISPのデータを収集するために、公開データベース、例えばPeeringDB、CAIDAなどを探索する。 次に,木ベース,ニューラルネットワークベース,トランスフォーマーベースという,ピアリング関係を予測する3種類のMLモデルの性能を評価する。 これらのうち、木に基づくモデルが最も精度と効率が高いことを観察する。 公開データでトレーニングされたXGBoostモデルは、有望なパフォーマンスを示し、ピアリングパートナーを予測する精度は98%だった。 さらに、モデルは時間、空間、欠落したデータに対する大きなレジリエンスを示した。 我々は、ISPがピアリングパートナー選択プロセスを完全に自動化し、より効率的で最適化されたインターネットエコシステムに移行する方法を採用することを想定する。

関連論文リスト

• Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for and with Foundation Models [64.28420991770382]
  Data-Juicer 2.0は、テキスト、画像、ビデオ、オーディオのモダリティにまたがるデータ処理オペレーターがバックアップするデータ処理システムである。 データ分析、アノテーション、基礎モデルポストトレーニングなど、より重要なタスクをサポートする。 さまざまな研究分野やAlibaba Cloud PAIのような現実世界の製品で広く採用されている。
  論文  参考訳（メタデータ） (2024-12-23T08:29:57Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  我々は、フェデレーション学習(FL)によるプライバシーを確保しつつ、サービスのデータ提供を容易にする没入型モデルトレーディングフレームワークを提案する。 我々は,資源制約下での高価値モデルに貢献するために,メタバースユーザ(MU)にインセンティブを与えるインセンティブ機構を設計する。 我々は、MUやその他のMSPに関するプライベート情報にアクセスすることなく、深層強化学習に基づく完全に分散された動的報酬アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
  LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。 このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。 本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。 また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
  論文  参考訳（メタデータ） (2024-10-17T18:22:50Z)
• WPFed: Web-based Personalized Federation for Decentralized Systems [11.458835427697442]
  我々はWPFedを紹介した。WPFedは、グローバルに最適な隣人選択を可能にするように設計された、完全に分散されたWebベースの学習フレームワークである。 セキュリティを強化し、悪意のある振る舞いを抑えるため、WPFedはLSHコードとパフォーマンスランキングの両方の検証メカニズムを統合している。 我々の発見は、WPFedが多種多様な相互接続されたWeb環境にまたがって効果的でセキュアな分散協調学習を促進する可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-10-15T08:17:42Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Privacy-Preserving Collaborative Split Learning Framework for Smart Grid Load Forecasting [16.19650091976196]
  従来のMLでは、中央サーバにデータ転送を必要とする複数のスマートメーターのデータを使用して、単一のグローバルモデルをトレーニングすることができる。 本稿では,この問題を緩和するために,負荷予測のための分割学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-03T08:24:39Z)
• Optimizing Server-side Aggregation For Robust Federated Learning via Subspace Training [80.03567604524268]
  クライアント間の非IIDデータ分散と中毒攻撃は、現実世界のフェデレーション学習システムにおける2つの大きな課題である。 サーバ側集約プロセスを最適化する汎用的なアプローチであるSmartFLを提案する。 本稿では,SmartFLの収束と一般化能力に関する理論的解析を行う。
  論文  参考訳（メタデータ） (2022-11-10T13:20:56Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Data Synopses Management based on a Deep Learning Model [14.180331276028662]
  データシナプスをECノードに配信することで、ピアに存在するデータと完全に整合したオフロード決定を行うことが可能になる、と私たちは主張する。 我々のアプローチは、計算されたシナプスの分布を学習し、将来の傾向を推定するディープラーニングモデルである。
  論文  参考訳（メタデータ） (2020-08-01T12:04:21Z)

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。