論文の概要: From Simulation to Deep Learning: Survey on Network Performance Modeling Approaches

• arxiv url: http://arxiv.org/abs/2603.28394v1
• Date: Mon, 30 Mar 2026 13:03:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.404134
• Title: From Simulation to Deep Learning: Survey on Network Performance Modeling Approaches
• Title（参考訳）: シミュレーションからディープラーニングへ:ネットワークパフォーマンスモデリングアプローチに関する調査
• Authors: Carlos Güemes-Palau, Miquel Ferriol-Galmés, Jordi Paillisse-Vilanova, Pere Barlet-Ros, Albert Cabellos-Aparicio,
• Abstract要約: ネットワーク性能モデリングは、初期のコンピュータネットワークとインターネットの始まりに先立つ分野である。 本稿では,過去数十年における有線ネットワークにおけるネットワーク性能モデリング手法について検討する。 我々はまた、アプローチの分類を定義し、最先端の理解と、技術と研究コミュニティの関心が時間の経過とともにどのように進化するかを要約する。
• 参考スコア（独自算出の注目度）: 3.87965307604896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network performance modeling is a field that predates early computer networks and the beginning of the Internet. It aims to predict the traffic performance of packet flows in a given network. Its applications range from network planning and troubleshooting to feeding information to network controllers for configuration optimization. Traditional network performance modeling has relied heavily on Discrete Event Simulation (DES) and analytical methods grounded in mathematical theories such as Queuing Theory and Network Calculus. However, as of late, we have observed a paradigm shift, with attempts to obtain efficient Parallel DES, the surge of Machine Learning models, and their integration with other methodologies in hybrid approaches. This has resulted in a great variety of modeling approaches, each with its strengths and often tailored to specific scenarios or requirements. In this paper, we comprehensively survey the relevant network performance modeling approaches for wired networks over the last decades. With this understanding, we also define a taxonomy of approaches, summarizing our understanding of the state-of-the-art and how both technology and the concerns of the research community evolve over time. Finally, we also consider how these models are evaluated, how their different nature results in different evaluation requirements and goals, and how this may complicate their comparison.
• Abstract（参考訳）: ネットワーク性能モデリングは、初期のコンピュータネットワークとインターネットの始まりに先立つ分野である。 パケットフローのトラフィック性能を予測することを目的としている。 その用途は、ネットワーク計画やトラブルシューティングから、設定最適化のためのネットワークコントローラへの情報供給まで多岐にわたる。 従来のネットワーク性能モデリングは、離散事象シミュレーション(DES)や、キューイング理論やネットワーク計算のような数学的理論に基づく解析手法に大きく依存してきた。 しかし、近年では、効率的な並列DES、機械学習モデルの急増、ハイブリッドアプローチにおける他の手法との統合など、パラダイムシフトが観察されている。 その結果、様々なモデリングアプローチが生まれ、それぞれに強みがあり、しばしば特定のシナリオや要求に合わせて調整されています。 本稿では,過去数十年の有線ネットワークにおけるネットワーク性能モデリング手法を網羅的に調査する。 この理解により、我々はまたアプローチの分類を定義し、最先端の理解と、技術と研究コミュニティの関心が時間とともにどのように発展していくのかを要約する。 最後に、これらのモデルがどのように評価されるか、それらの異なる性質が異なる評価要件と目標をもたらすか、そしてどのようにそれらの比較を複雑にするかについても検討する。

関連論文リスト

• Machine Learning for Static and Single-Event Dynamic Complex Network Analysis [3.24890820102255]
  この論文の主な目的は、静的および単一イベント動的ネットワークのグラフ学習表現のための新しいアルゴリズムアプローチを開発することである。 我々は、ラテント・スペース・モデルや、より具体的には、ホモフィリー、推移性、バランス理論といった重要なネットワーク特性を自然に伝達するラテント・ディスタンス・モデルに焦点をあてる。 この論文は、ネットワーク構造の階層的表現、コミュニティの特徴付け、ネットワークの極端プロファイルの同定、時間的ネットワークの動的影響など、構造を意識したネットワーク表現を作ることを目的としている。
  論文  参考訳（メタデータ） (2025-12-19T13:44:23Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
  シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。 我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
  論文  参考訳（メタデータ） (2024-03-20T00:24:23Z)
• SortedNet: A Scalable and Generalized Framework for Training Modular Deep Neural Networks [30.069353400127046]
  我々は、ディープニューラルネットワーク(DNN)の固有のモジュラリティを活用するためにSortedNetを提案する。 SortedNetは、メインモデルのトレーニングと同時にサブモデルのトレーニングを可能にする。 一度に160台のサブモデルを訓練でき、オリジナルのモデルの性能の少なくとも96%を達成できる。
  論文  参考訳（メタデータ） (2023-09-01T05:12:25Z)
• Learning Queuing Networks by Recurrent Neural Networks [0.0]
  データから性能モデルを導出する機械学習手法を提案する。 我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。 これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
  論文  参考訳（メタデータ） (2020-02-25T10:56:47Z)

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。