文献

J-GLOBAL ID：202002245082302724   整理番号：20A1812866

NFVプラットフォームにおけるトラヒックトレンド変化に適応するリグレッサ再学習アーキテクチャ【JST・京大機械翻訳】

Regressor Relearning Architecture Adapting to Traffic Trend Changes in NFV Platforms

著者 (3件)： Hirayama Takahiro (National Institute of Information and Communications Technology) ,  Jibiki Masahiro (National Institute of Information and Communications Technology) ,  Kafle Ved P. (National Institute of Information and Communications Technology)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： NetSoft  ページ： 272-276  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： ネットワーク機能仮想化(NFV)は,ネットワークオペレータが,インターネット(IoT)やモバイルアプリケーションのようなサービスのための多様な仮想化機能を柔軟に提供することを可能にする。NFVプラットフォームは,動的に変化する資源要求と交通量の間,安定で保証されたサービス品質(QoS)を提供するのに必要である。時変ネットワーク環境に対するQoS要求を満足させるために,インフラストラクチャプロバイダは,仮想ネットワーク関数(VNF)に割り当てられるCPUのような計算資源量を動的に調整しなければならない。アジャイル資源制御と適応性を提供するために,機械学習技術を通して仮想サーバ負荷を予測することは,積極的制御のための効果的方式であった。本論文では,リカレントニューラルネットワーク(RNN),ランダムフォレスト,および弾性ネットのようなMLモデルによって訓練された弱い回帰者を含む,アンサンブル学習に基づくトラフィック予測フレームワークを提案した。過去と将来の交通の間の傾向のギャップがより広くなるので,予測誤差は時間とともに悪化する傾向があることが観察された。したがって,予測誤差を減らすために,忘却と動的集合に基づく回帰者のための調整機構を提案する。実交通データによる評価結果は,提案した交通予測フレームワークに基づく資源調整方式が,RNNsと自己回帰移動平均(ARMA)と比較して,45%だけ低い,低い供給頻度を維持することを証明した。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： オペレータ ,  ネットワーク ,  弾性 ,  交通量 ,  交通予測 ,  インフラストラクチャー ,  ARMAモデル ,  *計算機アーキテクチャ ,  インターネット ,  予測誤差
準シソーラス用語： リカレントニューラルネットワーク ,  仮想ネットワーク ,  ランダムフォレスト ,  仮想化 ,  計算資源 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： プラットフォーム ,  トラヒック ,  トレンド ,  適応 ,  再学習 ,  アーキテクチャ