A Qualidade de Serviço (QoS) é uma métrica muito importante usada para avaliar o desempenho dos serviços de rede em ambientes de borda móvel, onde os dispositivos móveis solicitam frequentemente serviços de servidores de borda. Inclui dimensões como largura de banda, atraso, jitter e taxa de perda de pacotes de dados. No entanto, a maioria dos conjuntos de dados de QoS atuais, como o conjunto de dados WS-Dream, concentra-se mais em métricas estáticas de QoS e ignora aspectos como localização e dados temporais. Esses atributos dinâmicos, que capturam a localização do dispositivo móvel durante as solicitações de serviço e a sequência dessas solicitações, ainda não estão totalmente implementados. Esses fatores são importantes para prever com precisão o desempenho da rede, pois a QoS tende a variar com o local e o tempo.
Os métodos atuais de previsão de QoS usam filtragem colaborativa, que depende de dados históricos do usuário para prever valores de QoS ausentes com base na similaridade. Estes métodos muitas vezes requerem assistência com grandes quantidades de dados, o que limita a sua capacidade de produzir previsões precisas. Neste momento, importantes variações temporais e espaciais são negligenciadas. Métodos baseados em aprendizagem profunda também foram apresentados, usando modelos como aprendizagem baseada em localização e gráficos de usuários e serviços ou melhorando a precisão preditiva. Esses métodos ainda precisam ser atualizados para se adaptarem às condições de mudança e aos diversos comportamentos dos usuários de edge móvel. Os conjuntos de dados existentes, como o WS-Dream, que se concentram em métricas estáticas de QoS, não conseguem capturar alterações específicas de tempo e baseadas em localização no desempenho interno do serviço. Para resolver isso, o conjunto de dados CHESTNUT foi desenvolvido, oferecendo uma solução otimizada para ambientes de borda móvel, combinando atributos como tráfego de usuários, carga de recursos do servidor e dados de localização em tempo real.
Um grupo de pesquisadores da Universidade de Xangai fez uma proposta CASTANHAque melhora a previsão de QoS integrando fatores-chave como carga do servidor de borda, tráfego de usuários e variabilidade de serviço, fatores-chave para modelar com precisão interações complexas em ambientes de borda móveis. Para construir o CHESTNUT, os pesquisadores usaram dois conjuntos de dados do mundo real de Xangai: um conjunto de dados GPS da Johnson Taxi para simular os movimentos do usuário e um conjunto de dados da Shanghai Telecom para representar as localizações dos servidores de borda. Após o pré-processamento, esses conjuntos de dados forneceram uma visão realista do comportamento do usuário e da borda do servidor. O CHESTNUT também inclui métricas específicas da rede, como tempo de resposta e instabilidade da rede, que são afetadas pela distância, velocidade e uso da largura de banda do servidor do usuário. Este conjunto de dados fornece informações temporais e espaciais, permitindo uma previsão de QoS mais precisa e sensível ao contexto e capturando a dinâmica do mundo real. Ele também introduz atributos baseados em recursos, como processamento e latência de fila, que são influenciados pela demanda do usuário e pela capacidade do servidor. Esses dados granulares permitem análises detalhadas de interrupções de serviço, flutuações de qualidade e estabilidade de rede, fornecendo uma base sólida para modelos de previsão de QoS que podem responder às necessidades mutáveis de aplicativos de computação de ponta móvel, fornecendo uma base mais rica e lógica para previsão de QoS. , que permite aos pesquisadores criar modelos mais precisos e responsivos, adequados às demandas em constante evolução da computação de ponta.
Concluindo, o conjunto de dados CHESTNUT melhora a previsão de QoS de ambientes de borda móvel, incorporando informações dinâmicas temporais e espaciais. Esta abordagem abrangente visa apoiar modelos de previsão de QoS mais precisos e eficientes, abordando as lacunas deixadas pelos conjuntos de dados tradicionais na adaptação às necessidades da computação móvel de ponta. Concluiu que o tempo de resposta é proporcional aos requisitos de carga e recursos de serviço dos servidores de borda, enquanto inversamente proporcional ao total de recursos dos servidores de borda. O conjunto de dados CHESTNUT contém dados precisos e confiáveis para dar suporte a previsões futuras de QoS em ambientes de borda móvel.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[Trending] LLMWare apresenta Model Depot: uma coleção abrangente de modelos de linguagem pequena (SLMs) para PCs Intel
Nazmi Syed é estagiária de consultoria na MarktechPost e possui bacharelado em ciências pelo Instituto Indiano de Tecnologia (IIT) Kharagpur. Ele tem uma profunda paixão pela Ciência de Dados e está explorando ativamente a ampla aplicação da inteligência artificial em vários setores. Fascinada pelos avanços tecnológicos, a Nazmi está comprometida em compreender e aplicar inovações de ponta em situações do mundo real.
Ouça nossos podcasts e vídeos de pesquisa de IA mais recentes aqui ➡️
