Abstrato

Machine Learning 2018: Deep Learning: Investigação da rede IoT de dependência de longo alcance e QoE de perda de pacotes - Jin Wang e Yi bin Hou-Beijing University of Technology

Jin Wang e Yi bin Hou

A Internet das Coisas incorpora inovação na web, sistemas com fios e remotos. A Web of Things e a web são a ligação entre os pais e o filho. Neste artigo, pretendemos examinar o exame da confiança de longo alcance e da QOE da perda do pacote do sistema e aumentar um resultado e um fim decentes. Para configurar mais facilmente um modelo de avaliação de qualidade de vídeo sem referência, considerando o infortúnio do pacote do sistema e adicionar ainda uma avaliação de QoE superior, fabricamos NS2 ??? MyEvalvid estágio de reprodução para examinar a escala normal para o infortúnio do pacote do sistema, escala normal para o infortúnio das parcelas através do impacto da taxa de infortúnio do pacote para impactar a QoE. Os resultados do teste mostram que, as formas de infortúnio do pacote têm dependência de longo prazo, a quantidade de fonte sobreposta N, limite de forma, limite de Hurst, a velocidade da interface de rendimento têm impactos na dependência de longa extensão. Chegámos à resolução de que quando a fonte sobreposta N é maior, o limite da forma é menor, o limite de Hurst é maior, a velocidade da interface de rendimento é menor, a dependência de longo alcance da perda de pacotes é maior e a taxa de infortúnio do pacote é elevado. A Web of Things e a Internet são a ligação entre pais e filhos. Neste artigo, planeamos examinar a investigação sobre a confiança a longo prazo e a QOE do infortúnio do pacote do sistema e adicionar um resultado e um fim decentes. Para que seja mais provável configurar um modelo de avaliação da qualidade de vídeo sem referência, considerando o infortúnio do pacote do sistema e além disso, uma avaliação de QoE superior, construímos o estágio de recreação NS2 + MyEvalvid para examinar a escala normal para o infortúnio do pacote do sistema, escala normal para o infortúnio de pacotes através do impacto da taxa de infortúnio de pacotes para impactar a QoE. Os resultados do teste mostram que, as formas de infortúnio do pacote têm dependência de longo prazo, a quantidade de fonte sobreposta N, limite de forma, limite de Hurst, a velocidade da interface de rendimento têm impactos na dependência de longo prazo. Chegámos à resolução de que quando a fonte sobreposta N é maior, o limite da forma é menor, o limite de Hurst é maior, a velocidade de ligação de rendimento é menor, a dependência de longo alcance do infortúnio do pacote é maior, a taxa de infortúnio do pacote é elevado. Fundamentalmente, isto deve-se ao aumento da acessibilidade da informação, às enormes melhorias nos procedimentos de ML e ao progresso nas competências de registo. Sem dúvida, o ML tem sido aplicado a diversas questões quotidianas e complexas que surgem na atividade organizada e no conselho. Existem diferentes revisões sobre a ML para zonas explícitas na administração de sistemas ou para avanços explícitos do sistema. Esta revisão é única,uma vez que, em conjunto, apresenta a utilização de diversos métodos de ML em diferentes territórios-chave de administração de sistemas em diversas inovações de sistema. Neste sentido, os leitores beneficiarão de uma extensa conversa sobre os distintos modelos ideais de aprendizagem e métodos de ML aplicados a questões-chave na administração de sistemas, incluindo previsão de tráfego, direção e agrupamento, controlo de bloqueio, ativos e problemas do conselho , QoS e QoE dos executivos e segurança do sistema. Além disso, esta visão geral retrata as restrições, fornece experiências, dificuldades de investigação e oportunidades futuras para impulsionar o ML na administração de sistemas. Consequentemente, este é um compromisso oportuno das ramificações do ML para a administração de sistemas, que está a eliminar as obstruções da atividade do sistema autónomo e dos executivos.

Biografia:

Jin Wang concluiu o seu bacharelato em Engenharia de Software pela Universidade de Tecnologia Química de Pequim, Pequim, China e ganhou a Bolsa Nacional em 2010 e a National Endeavor Fellowship em 2009. Concluiu o seu mestrado em Tecnologia de Aplicação de Computadores pela Universidade Shijiazhuang Tiedao. . Publicou muitos artigos, incluindo ISTP, EI e SCI e participou também em três projetos de fundos nacionais de ciências naturais.