論文の概要: Characterizing 5G User Throughput via Uncertainty Modeling and Crowdsourced Measurements

• arxiv url: http://arxiv.org/abs/2510.09239v1
• Date: Fri, 10 Oct 2025 10:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.697953
• Title: Characterizing 5G User Throughput via Uncertainty Modeling and Crowdsourced Measurements
• Title（参考訳）: 不確実性モデリングとクラウドソーシングによる5Gユーザ・スループットのキャラクタリゼーション
• Authors: Javier Albert-Smet, Zoraida Frias, Luis Mendo, Sergio Melones, Eduardo Yraola,
• Abstract要約: 本稿では,ダウンリンクユーザスループット推定のための不確実性と説明可能なアプローチを提案する。 先程の4G手法を検証し、R2を8.7%改善し、5G NSAと5G SAに拡張した。 スループットの変動性に対処するために,点推定と校正された信頼区間の両方を出力するモデルであるNGBoostを適用する。
• 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: Characterizing application-layer user throughput in next-generation networks is increasingly challenging as the higher capacity of the 5G Radio Access Network (RAN) shifts connectivity bottlenecks towards deeper parts of the network. Traditional methods, such as drive tests and operator equipment counters, are costly, limited, or fail to capture end-to-end (E2E) Quality of Service (QoS) and its variability. In this work, we leverage large-scale crowdsourced measurements-including E2E, radio, contextual and network deployment features collected by the user equipment (UE)-to propose an uncertainty-aware and explainable approach for downlink user throughput estimation. We first validate prior 4G methods, improving R^2 by 8.7%, and then extend them to 5G NSA and 5G SA, providing the first benchmarks for 5G crowdsourced datasets. To address the variability of throughput, we apply NGBoost, a model that outputs both point estimates and calibrated confidence intervals, representing its first use in the field of computer communications. Finally, we use the proposed model to analyze the evolution from 4G to 5G SA, and show that throughput bottlenecks move from the RAN to transport and service layers, as seen by E2E metrics gaining importance over radio-related features.
• Abstract（参考訳）: 5G Radio Access Network(RAN)の高容量化は、接続ボトルネックをネットワークのより深い部分にシフトさせるため、次世代ネットワークにおけるアプリケーション層ユーザのスループットを特徴付けることがますます困難になっている。 駆動試験や操作装置カウンタといった従来の手法は、費用がかかるか制限されているか、あるいはエンドツーエンド(E2E)品質・オブ・サービス(QoS)の取得に失敗している。 本研究では,ユーザ機器(UE)が収集したE2E,ラジオ,コンテキスト,ネットワークなど,大規模クラウドソースによる計測機能を活用し,ユーザスループット推定のための不確実性と説明可能なアプローチを提案する。 まず、以前の4G手法を検証し、R^2を8.7%改善し、5G NSAと5G SAに拡張し、5Gのクラウドソースデータセットの最初のベンチマークを提供します。 スループットの変動性に対処するため、NGBoostは、点推定と校正された信頼区間の両方を出力するモデルで、コンピュータ通信における最初の使用法を示す。 最後に、提案したモデルを用いて、4Gから5G SAへの進化を分析し、スループットのボトルネックがRANからトランスポート層やサービス層へと移動することを示す。

関連論文リスト

• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
  AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。 このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。 本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
  論文  参考訳（メタデータ） (2025-02-17T03:05:20Z)
• ML KPI Prediction in 5G and B5G Networks [0.824969449883056]
  エンド・ツー・エンド(E2E)ネットワークスライスを持つ5GおよびB5Gネットワークのスループットを推定するために使用される機械学習(ML)モデルを提案する。 予測スループットと現在のネットワーク状態を組み合わせることで,他のネットワーク評価の見積を導出する。
  論文  参考訳（メタデータ） (2024-04-01T23:34:28Z)
• Practical Commercial 5G Standalone (SA) Uplink Throughput Prediction [12.675818403052041]
  我々は,過去のアップリンクスループットとRFパラメータに基づいて,将来的なアップリンクスループットを予測するために,ConvLSTMベースのニューラルネットワークを提案する。 このネットワークは、通勤列車に乗りながら商用の5G SAネットワークで実世界のドライブテストのデータを用いて訓練されている。 我々のモデルは平均予測精度98.9%に達し、平均RMSEは1.80Mbpsである。
  論文  参考訳（メタデータ） (2023-07-23T20:01:18Z)
• Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing [1.7214664783818676]
  この研究は、UAV-BS(UAV-BS)がネットワークスライシング機能を備えたUAV支援5Gネットワークを提示する。 ネットワークスライシング環境におけるUAV-BSに対するマルチエージェントおよびマルチエージェント深部強化学習の第一応用について紹介する。 提示された戦略のパフォーマンスはテストされ、ベンチマークと比較され、さまざまなシナリオにおいて満足度の高いユーザの割合(少なくとも27%以上)が強調されている。
  論文  参考訳（メタデータ） (2022-11-15T06:50:00Z)
• Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
  フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。 LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
  論文  参考訳（メタデータ） (2022-09-13T10:39:41Z)
• To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
  Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。 モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。 我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
  論文  参考訳（メタデータ） (2020-12-21T01:13:44Z)
• Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility [6.112377814215607]
  MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。 主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。 特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
  論文  参考訳（メタデータ） (2020-11-20T18:59:27Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。