دانلود ترجمه مقاله مدل یادگیری عمیق برای پیش بینی جریان ترافیک در شبکه بیسیم

1. مقدمه 2. کارهای مرتبط 3. مدل پیشنهادی 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – در شبکه های بیسیم اغلب، معیارهای ترافیک نقش مهمی در پیش بینی شرایط ترافیک در سیستم های مدیریت ترافیک بازی می کند. دقت پیش بینی در مدل داده محور در زمانی که تحت تاثیر رویدادهای ترافیکی غیرمسیریابی یا غیرتکراری قرار دارد کمتر می شود. مدل داده تحلیل مورد استفاده در روش پیشنهادی نه تنها حجم و ازدحام ترافیکی، بلکه مشخصه های کاربرد فردی و رفتار کاربر را در نظر می گیرد. این امر امکان پیش بینی دقیق تر و مدیریت بهتر ترافیک در شبکه های بیسیم را فراهم می کند. شبیه سازی اجرا شده در این مقاله، عملکرد روش پیشنهادی را بر حسب احتمال موفقیت اتصال و تاخیر ارزیابی می کند. نتایج نشان می دهد که روش پیشنهادی به احتمال موفقیت اتصال 93% و تاخیر کمتر از 2 میلی ثانیه دست می یابد که نمایش دهنده کارایی در بهبود پیش بینی ترافیک و مدیریت در شبکه های بیسیم است. مقدمه: در چند سال گذشته، مدیریت ترافیک شبکه با استفاده از هوش مصنوعی (NTMA) به دلیل نقش محوری در توسعه عملکرد شبکه بندی، توجه زیادی را به خود جلب کرده است. رویکردهای NTMA در صنعت و در دانشگاه در مدیریت شبکه استفاده می شود [1]. فناوری ها و مفاهیم جدید شبکه بندی ایجاد شبکه های کارآمد را پیچیده می کند. در شبکه هایی که در آنها تعداد گره ها به هزاران گره می رسد، مانند اینترنت اشیاء، برای تضمین عملکرد به نظارت منظم نیاز است [2،3]. رویکردهای فعال شامل استفاده از کاوش برای جایگذاری و حذف ترافیک جستجو برای شناسایی وضعیت شبکه است. وقتی ترافیک آزمون را به شبکه تزریق می کنیم و سپس شاخص های مختلف عملکرد شبکه را بررسی می کنیم، می گوئیم که این آزمایش ها به دقت بیشتری به عنوان تزریق ترافیک آزمون شناخته می شوند.

In wireless networks, the traffic metrics often play a significant role in forecasting the traffic condition in traffic management systems. The accuracy of prediction in data-driven model gets reduced when it is influenced by non-routing or non-recurring traffic events. The analytical data model used in the proposed method takes into account not only traffic volume and congestion, but also the characteristics of individual applications and user behaviour. This allows for more accurate traffic prediction and better traffic management in wireless networks. The simulation conducted in the paper evaluates the performance of the proposed method in terms of connection success probability and latency. The results show that the proposed method achieves a connection success probability of 93% and a latency of less than 2 ms, demonstrating its effectiveness in improving traffic prediction and management in wireless networks. Introduction: Over the past few years, NTMA (Network Traffic Management using Artificial Intelligence) has garnered a great deal of attention due to its central role in the development of networking performance. NTMA approaches are both employed by industry and academia in network management [1]. New networking technologies and concepts complicate the creation of efficient networks. In networks where the number of nodes is in the thousands, such as the Internet of Things (IoT), regular monitoring is required to ensure performance [2,3]. Active approaches include the use of probes to place and later remove probe traffic to identify the state of the network. When we inject test traffic into the network and then analyse various network performance indicators, we are saying that these tests are more precisely known as test traffic injection.