面向 5G 的数据驱动预测时延：基于网络测量的理论与实验分析
网络与互联网体系结构
2023-11-09 v3 机器学习
摘要
具有约束性时延需求和保证服务质量 (QoS) 的新型 5G 业务与应用的出现，加速了对在网络管理流程中引入自主和主动决策的需求。我们研究的目标是利用移动网络运营商 (MNOs) 可获取的真实世界网络数据，对 5G 网络中的预测时延提供透彻分析。具体而言，(i) 我们给出了用户面时延作为 Hypoexponential 分布的分析表述，并通过与经验测量的比较分析加以验证；(ii) 我们利用机器学习 (ML) 新兴领域（如贝叶斯学习 (BL) 与图机器学习 (GML)）开展了概率回归、异常检测和预测性预测的实验。我们使用从车辆移动性、密集城市流量和社交聚集事件场景中收集的数据测试了我们的预测框架。我们的结果为预测算法在实际应用中的有效性提供了有价值的见解。
引用
@article{arxiv.2307.02329,
title = {Data-driven Predictive Latency for 5G: A Theoretical and Experimental Analysis Using Network Measurements},
author = {Marco Skocaj and Francesca Conserva and Nicol Sarcone Grande and Andrea Orsi and Davide Micheli and Giorgio Ghinamo and Simone Bizzarri and Roberto Verdone},
journal= {arXiv preprint arXiv:2307.02329},
year = {2023}
}