物联网流量模式建模：基于 MTC 数据集的统计分析洞见

物联网 (IoT) 正在迅速扩张，连接大量设备，成为我们日常生活中不可或缺的组成部分。随着物联网的不断发展，确保高效的流量管理变得至关重要。有效的物联网流量管理需要对复杂的机器类型通信 (MTC) 动态进行建模和预测，而机器学习 (ML) 技术在这方面显得尤为吸引。然而，获取全面且高质量的数据集，以及可用于复现 ML 基于预测的可访问平台，仍然阻碍了研究的进步。本文旨在填补这一空白，通过对奥里大学提供的智能校园 MTC 数据集进行特征化。具体而言，我们对 MTC 流量进行了全面的统计分析，运用良好拟合度检验，包括Kolmogorov-Smirnov 检验、Anderson-Darling 检验、卡方检验以及均方根误差。分析工作围绕三个模型展开，这三个模型准确地代表了两种最重要的 MTC 流量类型：周期性更新和事件驱动，这两种类型也在数据集中被识别出来。结果表明，这些模型能够准确地描述流量模式。具有最佳拟合效果的泊松点过程模型对事件驱动模式的拟合误差低于11%，而准周期模型对周期性更新流量的拟合误差低于7%。