重新审视边缘蜂窝吞吐量预测：协作式多设备、多网络原位学习
网络与互联网体系结构
2023-06-07 v2
摘要
大规模分布式嵌入式设备和物联网（IoT）上的普适应用需要与网络进行精确协调；例如，若干此类应用（如协作视频流与实时分析、增强现实等）需要持续监测网络吞吐量并相应调整应用行为。尽管网络吞吐量预测的想法并不新颖且相当陈旧，但在本文中，我们表明现有方法在网络运营商或设备改变时无法正确推断吞吐量，因此对于互联网规模应用而言不够通用。我们提出 \ourmethod，一种新颖的方法，其通过基于设备对相应网络配置的敏感性捕获吞吐量变化，允许跨不同客户端硬件的协作训练。严格评估表明，\ourmethod{} 在不同数据集上以超过 的 R2 分数优于各种标准基线算法。我们还分析了 \ourmethod{} 在一个网络感知流媒体应用上的性能，并展示了其在各种应用场景中的有效性。
引用
@article{arxiv.2301.03722,
title = {Revisiting Cellular Throughput Prediction over the Edge: Collaborative Multi-device, Multi-network in-situ Learning},
author = {Argha Sen and Ayan Zunaid and Soumyajit Chatterjee and Basabdatta Palit and Sandip Chakraborty},
journal= {arXiv preprint arXiv:2301.03722},
year = {2023}
}
备注
12 pages, 10 figures, Accepted in International Conference on Embedded Wireless Systems and Networks (EWSN 2023)