基于图像化时间序列表示的超5G网络深度学习
网络与互联网体系结构
2021-04-20 v1
摘要
在网络创新方面，超五代（B5G）网络设想利用机器学习（ML）方法预测网络状况与性能指标，以最优地做出决策并分配资源。本文提出一种新的ML方法以在B5G网络中实现预测。我们不再于数值的网络域内处理时间序列，而是将其转化为图像，从而能够应用计算机视觉领域的先进ML方法来获得B5G网络中更好的预测。具体而言，我们分析了将网络测量的时间序列转化为图像表示的不同技术，例如递归图（Recurrence Plots）、马尔可夫转移场（Markov Transition Fields）和格拉姆角场（Gramian Angular Fields）。随后，我们应用带卷积层的深度神经网络来预测不同的5G无线信号质量指标。与基于其他ML的方案相比，来自5G传输数据集的实验结果表明了所提方法的可行性与较小的预测误差。
引用
@article{arxiv.2104.08584,
title = {Deep Learning in Beyond 5G Networks with Image-based Time-Series Representation},
author = {Lucas Fernando Alvarenga e Silva and Bruno Yuji Lino Kimura and Jurandy Almeida},
journal= {arXiv preprint arXiv:2104.08584},
year = {2021}
}