文献

J-GLOBAL ID：202002240745242262   整理番号：20A2617223

学習オートマトンを用いたコア光ネットワークのトラヒック予測における強化学習【JST・京大機械翻訳】

Reinforcement Learning in Traffic Prediction of Core Optical Networks using Learning Automata

著者 (5件)： Valkanis Anastasios (Aristotle University of Thessaloniki,Department of Informatics,Thessaloniki,Greece) ,  Beletsioti Georgia A. (Aristotle University of Thessaloniki,Department of Informatics,Thessaloniki,Greece) ,  Nicopolitidis Petros (Aristotle University of Thessaloniki,Department of Informatics,Thessaloniki,Greece) ,  Papadimitriou Georgios (Aristotle University of Thessaloniki,Department of Informatics,Thessaloniki,Greece) ,  Varvarigos Emmanouel (School of Electrical and Computer Engineering, National Technical University of Athens,Athens,Greece)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CCCI  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 光学コアネットワークに関連した技術の開発は,相互接続したユーザとデバイスの増加および使用したアプリケーションの進化によって絶えず増加する情報の信頼できるフローのための適切なインフラストラクチャを提供する。トラフィック予測に続くネットワーク工学は,コアネットワークの有効性を決定する最も重要な因子の1つである。その重要性のために,研究コミュニティは,主に時系列と機械学習モデルに基づく予測機構を提案することによって,交通予測によって広範囲に対処した。交通予測メカニズムの目的は,それらの操作における低複雑性を維持しながら,最大可能な精度を達成することである。本論文では,Learning Automataを用いた強化学習に基づく新しいトラヒック予測機構を提案した。提案した機構の評価を,コアネットワークにおける実際の測定から得たトラヒック行列を用いて実行した。著者らの性能シミュレーション結果は,提案した機構の有効性を示し,低い操作複雑性で満足な予測精度を達成した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  相互接続 ,  コミュニティ ,  基幹回線 ,  応用プログラム ,  *交通予測 ,  インフラストラクチャー ,  有効性 ,  機械学習 ,  *強化学習
準シソーラス用語： *光ネットワーク ,  *学習オートマトン ,  予測精度 ,  複雑性 ,  低複雑性 , 【Automatic Indexing@JST】

分類 (3件)： NMR一般  (BM07041R) ,  図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 学習オートマトン ,  コア ,  光ネットワーク ,  トラヒック予測 ,  強化学習