論文の概要: NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation

• arxiv url: http://arxiv.org/abs/2604.26080v1
• Date: Tue, 28 Apr 2026 19:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.156719
• Title: NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation
• Title（参考訳）: NeuralEmu: In situ Measurement-Driven, MLベース, High-Fidelity 5G Network Emulation
• Authors: Haoran Wan, Yaxiong Xie, Kyle Jamieson,
• Abstract要約: 我々は高忠実で機械学習に基づくエミュレーションフレームワークであるNeuralEmuを紹介する。 ネットワークテレメトリツールから直接,複雑な5Gスケジューラリソース割り当て動作を学習する。 様々なネットワークアプリケーションに対する技術状況に対するエミュレーションエラーを低減する。
• 参考スコア（独自算出の注目度）: 10.133170438359604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current and future applications demand ultra-low latency and consistent throughput, yet frequently traverse 5G cellular networks, so cope with volatile packet dynamics, as 5G base station schedulers dynamically react to user workloads and wireless channel conditions. The task of evaluating network algorithms in these environments is hamstrung by current tools: record-and-replay emulators sever the feedback interaction that exists between application end points and a commercial operator's proprietary 5G scheduler, while full-stack simulators rely on overly simplistic scheduling logic. To bridge this reality gap, we present NeuralEmu, a high-fidelity, machine learning-based emulation framework that learns complex 5G scheduler resource allocation behaviors directly from extremely high-resolution network telemetry tools. The first emulator to handle multiple clients, NeuralEmu utilizes machine learning to dynamically predict resource block allocations and modulation schemes based on instantaneous user buffer occupancy and channel states. To capture realistic cross-user contention, a traffic reconstruction model inverts cellular network scheduling results to recover the underlying traffic patterns of uncontrolled background users. Implemented as an high-performance Linux middlebox emulator, NeuralEmu reduces emulation error relative to the state of the art for various network applications including but not limited to 55% for web-page load time, 57% for WebRTC encoder bit rate, and 51% for cloud gaming packet one-way delay, providing an accurate, standardized testing ground for tomorrow's real-time interactive network protocols and applications.
• Abstract（参考訳）: 現在および将来のアプリケーションは、超低レイテンシと一貫したスループットを必要とするが、頻繁に5Gセルネットワークを横切るため、5Gベースステーションスケジューラがユーザのワークロードや無線チャネル条件に動的に反応するため、揮発性のパケットダイナミックスに対処する。 レコード・アンド・リプレイエミュレータは、アプリケーションエンドポイントと商用オペレータのプロプライエタリな5Gスケジューラの間に存在するフィードバックの相互作用を回避し、フルスタックシミュレータは過度に単純化されたスケジューリングロジックに依存します。 この現実のギャップを埋めるために、非常に高解像度のネットワークテレメトリツールから直接複雑な5Gスケジューラリソース割り当ての振る舞いを学習する、高忠実な機械学習ベースのエミュレーションフレームワークであるNeuralEmuを提案する。 複数クライアントを処理する最初のエミュレータであるNeuralEmuは、機械学習を使用して、瞬間的なユーザバッファ占有とチャネル状態に基づいて、リソースブロック割り当てと変調スキームを動的に予測する。 現実的なユーザ間の競合を捉えるため、トラフィック再構成モデルはセルネットワークスケジューリング結果を逆転させ、制御されていないバックグラウンドユーザの基盤となるトラフィックパターンを復元する。 高性能なLinuxミドルボックスエミュレータとして実装されたNeuralEmuは、Webページロード時間の55%に制限されない、WebRTCエンコーダビットレートの57%、クラウドゲームパケットの片道遅延の51%など、さまざまなネットワークアプリケーションの最先端技術に対するエミュレーションエラーを削減する。

関連論文リスト

• Deep Adaptive Rate Allocation in Volatile Heterogeneous Wireless Networks [1.6332728502735252]
  本稿では、Transformerベースのパス状態予測と、Deep Adaptive Rate Allocation (DARA)と呼ばれる新しいマルチパス分割スケジューラを統合する。 DARAは利用可能なパス上で最適な混雑ウィンドウ率を計算し、それらの間のデータの割り当てを決定する。 DARAは、学習ベースのスケジューラに比べて、適度なボラティリティトレースによるファイル転送時間短縮を実現している。
  論文  参考訳（メタデータ） (2026-03-21T20:03:56Z)
• ML-Based Real-Time Downlink Performance Prediction in Standalone 5G NR Using Smartphones [17.884632967810315]
  商用オフザシェルフ(COTS)ユーザ機器(UE)のリアルタイム計測を用いた5Gネットワークにおけるダウンリンク性能予測フレームワークを提案する。 2つのGoogle Pixel 7aスマートフォンは、チャネル品質指標(CQI)、変調および符号化方式(MCS)、ビットレート、伝送時間間隔(TTI)、ブロックエラー率(BLER)などの物理層特性を収集するために使用される。 テストデータには、グローバルなOoklaサーバ(米国、ポルトガル、ガーナ、エジプト、日本)、iperf TCP/UDPデータ、YouTubeのビデオストリーミングセッションが含まれる。
  論文  参考訳（メタデータ） (2026-03-19T18:46:57Z)
• AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
  高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。 リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。 AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-13T21:31:19Z)
• M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks [18.215893951726166]
  拡張されたネットワーク状態データから複数のパフォーマンス指標を推定するグラフニューラルネットワークアーキテクチャであるM3Netを導入する。 M3Netは、MAPE (Mean Absolute Percentage Error) を20.06%から17.39%に削減することで、流量遅延予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-10T16:12:42Z)
• SMART: A Surrogate Model for Predicting Application Runtime in Dragonfly Systems [13.688119091055244]
  本稿では,グラフニューラルネットワーク(GNN)と大規模言語モデル(LLM)を組み合わせて,ポートレベルのルータデータから空間的および時間的パターンを抽出する代理モデルを提案する。 我々のモデルは、既存の統計と機械学習のベースラインを上回り、正確なランタイム予測を可能にし、Dragonflyネットワークの効率的なハイブリッドシミュレーションをサポートする。
  論文  参考訳（メタデータ） (2025-11-14T09:39:43Z)
• Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning [19.02610605908148]
  本稿では,5G O-RANのNear-Real-Time (Near-RT) RAN Intelligent Controller (RIC) のためのxSliceと呼ばれるxAppを提案する。 xSliceは、動的ネットワーク状態に応じてMAC層リソース割り当てを適応的に調整するオンライン学習アルゴリズムである。 実験の結果、xSliceは最先端のソリューションと比較して、パフォーマンスの後悔を67%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-09-17T18:20:04Z)
• Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version) [50.894272363373126]
  密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。 ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するために,グラフニューラルネットワーク(GNN)を用いた分散リンクスカラー化方式を提案する。 GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。
  論文  参考訳（メタデータ） (2025-09-05T18:59:14Z)
• 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)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)

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。