无线网络的 data-driven 时延概率预测：聚焦尾概率
网络与互联网体系结构
2023-07-21 v1 机器学习
摘要
随着信息物理系统与人机闭环应用等新领域的出现，需要以极高可靠性（如 99.999%）保障一定程度的端到端网络时延。尽管 IEEE 802.1as 时间敏感网络（TSN）下规定的机制可用于交换式以太网满足这些需求，但由于无线网络的随机性，在无线网络中实现 TSN 机制颇具挑战。为使无线链路符合 99.999% 的可靠性水平，必须分析并控制时延概率分布中极罕见离群值的行为，即分布的尾部。本工作提出使用混合密度网络（MDN）与极值混合模型等先进 data-driven 方法预测时延分布的尾部，以估计 conditioned on 网络参数的罕见时延可能性，从而可用于无线传输中更明智的决策。使用 IEEE 802.11g（WiFi）、商用专网及软件定义 5G 网络的实际时延测量值对所提方法进行基准测试，并评估它们对尾概率的敏感性。
引用
@article{arxiv.2307.10648,
title = {Data-Driven Latency Probability Prediction for Wireless Networks: Focusing on Tail Probabilities},
author = {Samie Mostafavi and Gourav Prateek Sharma and James Gross},
journal= {arXiv preprint arXiv:2307.10648},
year = {2023}
}
备注
Submitted to IEEE Global Communications (GLOBECOM) 2023 conference