La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Sparse Regression Model-Based Relearning Architecture for Shortening Learning Time in Traffic Prediction Architecture de réapprentissage basée sur un modèle de régression clairsemée pour réduire le temps d'apprentissage dans la prévision du trafic

Takahiro HIRAYAMA, Takaya MIYAZAWA, Masahiro JIBIKI, Ved P. KAFLE

  • Vues en texte intégral

    0

  • Citer

Résumé:

La virtualisation des fonctions réseau (NFV) permet aux opérateurs de réseaux de fournir de manière flexible diverses fonctions virtualisées pour des services tels que l'Internet des objets (IoT) et les applications mobiles. Pour répondre aux multiples exigences de qualité de service (QoS) dans des environnements réseau variables dans le temps, les fournisseurs d'infrastructure doivent ajuster dynamiquement la quantité de ressources de calcul, telles que le processeur, affectées aux fonctions de réseau virtuel (VNF). Pour assurer un contrôle agile des ressources et une adaptabilité, la prévision de la charge du serveur virtuel via des technologies d'apprentissage automatique constitue une approche efficace du contrôle proactif des systèmes réseau. Dans cet article, nous proposons un mécanisme d'ajustement pour les régresseurs basé sur l'oubli et l'ensemble dynamique exécuté dans un temps plus court que celui de nos travaux précédents. Le cadre comprend une méthode de réduction des données d'entraînement basée sur une régression de modèle clairsemé. En dressant une courte liste de données d'entraînement dérivées du modèle de régression clairsemée, le temps de réapprentissage peut être réduit à environ 57 % sans dégrader la précision de l'approvisionnement.

Publication
IEICE TRANSACTIONS on Information Vol.E104-D No.5 pp.606-616
Date de publication
2021/05/01
Publicisé
2021/02/16
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2020NTP0010
Type de manuscrit
Special Section PAPER (Special Section on the Architectures, Protocols, and Applications for the Future Internet)
Catégories

Auteurs

Takahiro HIRAYAMA
  National Institute of Information and Communications Technology (NICT)
Takaya MIYAZAWA
  National Institute of Information and Communications Technology (NICT)
Masahiro JIBIKI
  National Institute of Information and Communications Technology (NICT)
Ved P. KAFLE
  National Institute of Information and Communications Technology (NICT)

Mots-clés

Table des matières