Abstrait

Machine Learning 2018 : Deep learning : étude de la dépendance à longue portée et de la qualité d'expérience du réseau IoT en matière de perte de paquets - Jin Wang et Yi bin Hou-Université de technologie de Pékin

Jin Wang et Yi Bin Hou

L'Internet des objets intègre la technologie Web, les systèmes câblés et distants. L'Internet des objets et le Web constituent le lien entre le parent et l'enfant. Dans cet article, nous avons l'intention d'examiner l'analyse de la dépendance à long terme et de la qualité de l'expérience de la perte de paquets système et d'obtenir un résultat et une fin satisfaisants. Afin de mettre en place plus facilement un modèle d'évaluation de la qualité vidéo sans référence prenant en compte la perte de paquets système et d'ajouter en outre une évaluation QoE supérieure, nous avons donc fabriqué la plate-forme de reproduction NS2 ??? MyEvalvid pour examiner la moyenne d'échelle pour la perte de paquets système, la moyenne d'échelle pour la perte de paquets et l'impact du taux de perte de paquets sur la QoE. Les résultats de l'essai montrent que les types de perte de paquets ont une dépendance à long terme, la quantité de source superposée N, la limite de forme, la limite de Hurst, la vitesse de l'interface de sortie ont des impacts sur la dépendance à long terme. Nous avons atteint la résolution selon laquelle lorsque la source superposée N est plus grande, la limite de forme est plus petite, la limite de Hurst est plus grande, la vitesse de l'interface de sortie est plus petite, la dépendance à long terme de la perte de paquet est plus grande et le taux de perte de paquet est élevé. L'Internet des objets, y compris la technologie Internet, y compris les systèmes câblés et distants. L'Internet des objets et Internet est le lien entre le parent et l'enfant. Dans cet article, nous prévoyons d'examiner l'enquête sur la dépendance à long terme de la perte de paquet système et la QOE et d'ajouter un résultat et une fin décents. Afin de mettre en place plus probablement un modèle d'évaluation de la qualité vidéo sans référence prenant en compte la perte de paquet système et d'ajouter en outre une évaluation QoE supérieure, nous avons donc construit la phase de jeu NS2 + MyEvalvid pour examiner la moyenne d'échelle pour la perte de paquet système, la moyenne d'échelle pour la perte de paquet à travers l'impact du taux de perte de paquet pour affecter la QoE. Les résultats de l'essai montrent que les formes de perte de paquets ont une dépendance à long terme, la quantité de source superposée N, la limite de forme, la limite de Hurst, la vitesse de l'interface de sortie ont des impacts sur la dépendance à long terme. Nous sommes arrivés à la conclusion que lorsque la source superposée N est plus grande, la limite de forme est plus petite, la limite de Hurst est plus grande, la vitesse de connexion de sortie est plus petite, la dépendance à long terme de la perte de paquets est plus grande, le taux de perte de paquets est élevé. L'apprentissage automatique (ML) a bénéficié d'un afflux remarquable d'applications qui prennent en charge les problèmes et permettent l'informatisation dans différents domaines. Fondamentalement, cela est dû à l'explosion de l'accessibilité des informations, aux énormes améliorations des procédures ML et aux progrès des capacités d'enregistrement. Sans aucun doute, le ML a été appliqué à différents problèmes quotidiens et complexes émergeant dans l'activité organisationnelle et le conseil. Il existe différentes études sur le ML pour des domaines spécifiques de la gestion des systèmes ou pour des avancées système spécifiques. Cette étude est unique,car il présente l'utilisation de diverses méthodes ML dans différents domaines clés de la gestion des systèmes à travers diverses innovations système. Dans ce sens, les lecteurs bénéficieront d'une discussion approfondie sur les différents modèles d'apprentissage idéaux et les méthodes ML appliquées à des problèmes clés de la gestion des systèmes, notamment la prévision du trafic, le pilotage et le regroupement, le contrôle des blocages, la gestion des actifs et des problèmes, la gestion de la qualité de service et de l'expérience client et la sécurité du système. En outre, cet aperçu décrit les limites, les expériences acquises, les défis de recherche et les opportunités futures pour faire avancer le ML dans la gestion des systèmes. Par conséquent, il s'agit d'un examen opportun des ramifications du ML pour la gestion des systèmes, qui repousse les obstacles à l'activité et à la gestion des systèmes autonomes.

Biographie :

Jin Wang a obtenu sa licence en génie logiciel à l'Université de technologie chimique de Pékin, en Chine, et a remporté la bourse nationale en 2010 et la bourse nationale Endeavor en 2009. Elle a obtenu sa maîtrise en technologie d'application informatique à l'Université Shijiazhuang Tiedao. Elle a publié de nombreux articles, notamment ISTP, EI et SCI, et a également participé à trois projets nationaux de fonds pour les sciences naturelles.