基于机器学习的移动网络吞吐量分类
机器学习
2020-04-29 v1 信号处理
机器学习
摘要
当网络复杂性增加且隐私问题限制了数据的信息内容时，识别 4G 小区中的移动网络问题更具挑战性。本文提出了一种数据驱动模型，用于识别存在根本性网络吞吐量问题的 4G 小区。所提模型利用了聚类和深度神经网络（DNNs）。模型参数使用少量专家标注数据进行学习。为实现特定情形的分类，我们提出了一种包含多个聚类模型块的模型，用于捕获问题小区共有的特征。该块捕获的特征随后用作 DNN 的输入。实验表明，所提模型在识别具有网络吞吐量问题的小区方面优于简单分类器。据作者所知，在仅从服务提供商侧收集信息并在小区级别进行网络吞吐量分类的相关研究尚属空白。
引用
@article{arxiv.2004.13148,
title = {Machine Learning Based Mobile Network Throughput Classification},
author = {Lauri Alho and Adrian Burian and Janne Helenius and Joni Pajarinen},
journal= {arXiv preprint arXiv:2004.13148},
year = {2020}
}
备注
Submitted to IEEE International Symposium on Personal, Indoor and Mobile Radio Communications 2020 (IEEE PIMRC 2020)