文献

J-GLOBAL ID：202102226523011614   整理番号：21A0892221

機械学習によるSDNエッジクラウド協調システムにおけるフロー制御【JST・京大機械翻訳】

Flow control in SDN-Edge-Cloud cooperation system with machine learning

著者 (4件)： Shinkuma Ryoichi (Graduate School of Informatics Kyoto University,Kyoto,Japan) ,  Yamada Yoshinobu (Graduate School of Informatics Kyoto University,Kyoto,Japan) ,  Sato Takehiro (Graduate School of Informatics Kyoto University,Kyoto,Japan) ,  Oki Eiji (Graduate School of Informatics Kyoto University,Kyoto,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICDCS  ページ： 1304-1309  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： モノのインターネット(IoT)装置によって収集したクラウドコンピューティングとセンサデータを用いた通信(または道路)トラフィックのリアルタイム予測は,大データ分析の非常に有用な応用である。しかし,IoTデバイスからクラウドサーバへの上流データフローは,ネットワークが主にビデオ配信のような下流データフローのために設計されたので,第5世代(5G)ネットワークでも問題となる。本論文は,ソフトウェア定義ネットワーク(SDN),エッジサーバ,およびクラウドサーバが,限られたネットワーク帯域幅の条件の下でリアルタイム予測の精度を維持するために,上流の流れを制御するために互いに協調するフレームワークを提案する。フレームワークは,システムモデル,予測の方法,機械学習を用いたデータの重要性の決定,および数学的最適化から成る。重要なアイデアは,SDNコントローラが特徴重要度スコアに基づいてSDNにおけるデータフローを最適化し,予測精度の観点からデータの重要性を示すことである。ノイズまたは無関係な入力変数の影響を抑えるために伝統的に使用されている機械学習特徴選択法によって,特徴重要度スコアを予測モデルから抽出した。モバイルトラフィックログから成る実データセットを用いたシミュレーション研究において,このフレームワークを検討した。結果は,フレームワークを検証した。それは限られた利用可能なネットワーク帯域幅の制約の下で予測精度を維持する。潜在的な応用も議論した。Copyright 2021 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： 最適化 ,  雑音 ,  シミュレーション ,  ネットワーク ,  道路 ,  帯域幅 ,  携帯電話 ,  *機械学習 ,  予測モデル
準シソーラス用語： 映像配信 ,  予測精度 ,  クラウドコンピューティング ,  データフロー ,  モノのインターネット ,  クラウドサーバ , 【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)： 機械学習 ,  SDN ,  エッジ ,  クラウド ,  協調システム ,  フロー制御