یادگیری ماشین برای تخمین پهنای باند مبتنی بر اندازه گیری

هنگامی که بسته ها هنگام عبور از شبکه می توانند پراکنده شوند ، دارای اطلاعاتی هستند که می توانند ویژگی های شبکه مربوط را نشان دهند. با استفاده از یک مدل جریان سیال از یک پیوند تنگنا با ابزار چند لمسی اولین بار در خارج ، ابزار کاوش پذیری پذیرفته شده پراکندگی بسته را برای برآورد پهنای باند موجود ، یعنی ظرفیت باقیمانده باقی مانده از سایر ترافیک ، اندازه گیری می کند. اگرچه پراکندگی در مقایسهبا مدل ، مثلا با ترافیک غیر سیال ، تنگناهای متعدد ، خوشه بندی بسته ها به دلیل قطع شدن همبستگی مختلط و نادرست ، مشکلاتی ایجاد می شود. مهر زمان به طور کلی. به رسمیت شناخته شده است که مدل سازی این اثرات اگر دست نخورده باشد دست و پا گیر است. این به ما انگیزه می دهد تا استفاده از یادگیری ماشین را در برآورد پهنای باند بررسی کنیم. ما یک شبکه عصبی را با استفاده از بردارهای پراکندگی بسته که مشخصه پهنای باند در دسترس است، آموزش می دهیم. نتایج آزمایش ما نشان می دهد که حتی یک شبکه عصبی کم عمق ، پهنای باند موجود را با دقت بالا مشخص می کند. ما همچنین شبکه عصبی را تحت انواع شرایط بسیار دشوار و ناشناخته که شامل آن نشده ایم ، اعمال می کنیم. آموزش ، مانند شبکه هایی که بطور تصادفی با پیوندهای تنگنا و چند ترافیکی ایجاد شده اند ، ایجاد شده است. در مقایسه با دو روش مبتنی بر هنر مدرن و همچنین یک تکنیک مبتنی بر یادگیری ماشین (یین و همکاران ، (2016 ، رویکرد شبکه عصبی ما عملکرد بهبود یافته را نشان می دهد. علاوه بر این ، شبکه عصبی ما می تواند روش اجرای تخمین را در یک اجرای تکراری کنترل کند. ما همچنین روش خود را با سایر تکنیک های یادگیری ماشینی ارزیابی می کنیم.

Keywords:

تخمین , پهنای باند , فراگیری ماشین , خوشه بندی.