文摘

多种无线接入技术极大地扩展了网络的覆盖范围从发达城市贫困的地区。作为重要的网络设备,移动网关分配更多的任务。然而,效率问题仍然具有挑战性。出于学习的最新进展,我们提出了一种新的移动网关的设计方案。首先,移动网关的网络体系结构,支持新功能讨论提供一个宏观的印象。其次,应用场景和功能模块从网络和面向用户的飞机的角度探索。intraplane和interplane交互的实现是仔细说明。第三,多个国家的转型分析基于可能的网络环境。第四,三个典型的自学计划简要检查和两个代表性算法采用。必要的程序部署也演示了通过伪代码。 Then the interactive process in both network and user oriented cases is investigated. In order to validate the performance, a comprehensive topology with background traffic is established. Simulation results reveal that our hybrid scheme could overcome single parameter based scheme in most of the scenarios.

1。介绍

自主学习是一种新兴的技术在各种情况下被利用最大化用户体验当涉及有限的设施和工人(1- - - - - -3]。应该是一种机制,可以优化资源配置和实现最好的结果定制客户的需要。在无线技术的最新进展(4- - - - - -6),更多的选择和便利,一起改变经济发展模式。基于索洛增长模型(7),从长远来看,经济的增长可以归因于技术进步。然而,尽管技术带来了巨大的变化,今天仍然有同样数量的人不能享受它的好处。根据联合国(UN)报告,有8.36亿人生活在极度贫困(8]。在这种情况下,如何利用技术来实现更快和更好的结果对贫穷的人追赶与发达地区共同进步在扶贫是至关重要的。

由于原来的习惯和传统,大量的贫困人口生活在相对孤立的落基山的地区,白雪覆盖的地区,国家和少数民族聚集寄宿生与极端的地理和自然条件。没有足够的与外界联系,很少或根本没有这些贫困地区体验改进。为了从根本上改变相邻的贫困地区,有必要为当地人民提供足够的教育和培训,为他们打开一个窗口。然而,由于在这些地方生活和交通状况困难,把扶贫专家,这些地方政府,和教学人员可以有挑战性。住在这些领域提供实际帮助,再次访问后续指导也将是非常困难的。从这个方面,一个系统可以提供远程协助,容易学习和访问,可以提供光滑连接实时指导的需求9,10]。

贫困地区在中国通常是分散这些提到的地区,特别是在移动互联网的基础设施是非常基本的,信号覆盖较差且不稳定的连接。当地人民的教育水平和互联网的使用也有限。让他们“在线”,了解最新的世界,并通过电流能够获得足够的信息可靠的网络设施是重要的对他们的生活质量改进11,12]。

出于之前的事实,我们相信,一个自学习机制应用于无线网络将大大受益居民生活在连续的贫困地区。移动网关与自学习功能定制相应的用户的需求。这将适应人们的偏好(如时间、内容和位置)提供更稳定的连接,快速实时视频(13),旅行计划(14),能源管理(15),社会活动(16),等等。

本文的主要贡献可以概括为两个方面:

一种新型移动网关的设计方法提出了贫困地区基于自主学习的策略。具体步骤和详细的探究。

建立仿真平台仔细验证不同的自主学习方案的性能。同时还提供了几个建议方案选择。

本文的基本结构如下:在部分2,提出了移动网关的设计细节。给出了网络模型和注意事项。应用场景和功能模块与内部交互演示。在自主学习过程中必要的状态转换在不同的网络环境。然后三个典型的自学类别是检查和两个算法选择。互动过程从面向网络和面向用户的观点。节3我们的新方案,性能基于几个综合仿真场景进行验证。部分5总结了整个论文,指出未来的工作。

2。移动网关的设计细节

为了现在的综合设计原则和具体流程,介绍了五个重要的部分。在一开始,介绍了网络模型和考虑提供一个宏观的印象升级在分层的层。然后有必要调查应用场景和功能模块内部移动网关。之后,一起学习引擎状态转换过程提出和分析。关键部分,自学习算法选择方法进行了深度。最后,实现通知报告结果的基础上自主学习策略。

2.1。网络模型和注意事项

是非常重要和必要的基本网络模型移动网关设计过程中我们使用。传统网络体系结构和传输控制协议(TCP)和互联网协议(IP)是保证与其他网络设备的兼容性。此外,应用程序层和数据链路层也没有充分利用现有的用法和提供更多的空间为新服务和访问模式。

图1说明了移动网关的操作范围和相应的注意事项。在传输层TCP和用户数据报协议(UDP)已经被大多数交通采用许多版本和修改。可靠的传输服务(如文件交换,网页浏览)可以通过使用拥塞控制、顺序控制、重传丢失的数据包和其他TCP功能。不可靠传输的应用程序(如音频聊天,视频共享)可以启用如果选择UDP。作为著名的TCP的继任者,流控制传输协议(SCTP)保持之前的拥塞控制,提出了新的方法来支持multihoming,多流道,潜在的故障,等等。类似于SCTP,数据报拥塞控制协议(DCCP)旨在解决UDP的缺点。Multihoming还提供了可以自由选择和多个拥塞控制方案基于发送方和接收方之间的谈判。在网络层,流动性问题严重限制网络的进化。由于IP地址歧义的身份和位置,用户的服务质量(QoS)很难保证在移动场景。为了解决这个问题,移动IPv4 (MIPv4),移动IPv6 (MIPv6),代理移动IPv6,和其他相关计划。

我们的目标是提高前特性内部移动网关通过启用多路径和支持移动性。我们强调,只有传输层和网络层的主要场馆修改。虽然利用多个SIM卡,他们只是为上层提供潜在的联系。

2.2。应用场景和功能模块

移动网关的内部结构可以被看作是一个组合的应用场景和功能模块(如图2)。这两个视角,面向网络的平面和面向用户的飞机,包括演示的差异。

面向网络的平面移动网关的目标是构建稳定当前的互联网连接和远程云平台。可能的应用场景可分为“多条路径”(同时将利用所有可用的路径),“三重路径,”“双重路径”(多个路径的分数利用率是基于网络状态,进一步优化服务类型,等等),“主+备用”(只有一个路径标记为主要目的的传播和其他路径将被标记为备用),和“单一路径”(只有一个路径是利用没有备份)。满足上面的要求,必要的功能模块应该包括以下几点:路径建立:根据SIM卡的数量和互联网接入接口,所有可能的路径将建立在起始阶段。这样的程序是基础和前提条件来支持各种各样的应用场景。在并发利用率情况下,默认设置是建立以来只有一个路径,多条路径的邀请可能会被忽略或拒绝相应的主机。适当的解决方案应该避免意外中断。包调度:有两种类型的数据包移动网关内部,也就是说,正常的数据包和重新传输数据包。他们两人必须分配给特定的路径。因此,对传输吞吐量路径选择方案是至关重要的。利用自学习的结果,为下一个包一个合适的路径可以选择。此外,流控制、拥塞控制、顺序控制,等等在数据包发送过程中应该考虑。在一个优化传输情况下,灵活和可靠的分配方案可以应用,例如,通过一个发送数据包路径和接收应答来自另一个路径。ACK处理:与数据包,ACK很小的规模。ack的数量可能会进一步降低当使用一个确认更多的数据包。例如,通过学习内容、频率、到达收到ack的界面,移动网关应该能够确定不同路径的现状和相应的结束。在主服务器和备用的情况下,自主学习引擎的核心元素可以帮助发送方从备用组及时替换不合适的主要路径。状态维修:美国这里包含大量信息(一条路径是否可用,可用带宽的价值,价值的下降速率,当前破裂情况,等等)。添加(或删除)的新路径(或现有路径)也属于国家维护的范围。这些国家资源为学习引擎提供足够的输入。

面向用户的平面移动网关侧重于观察,分析和应对巨大的本地访问。潜在的应用场景可分为“推动基于”(通过视频和音频广播),“基于”(监视或监督),和“基于交互”(传感器网络和个人使用)。为了达到这些效果,必要的功能模块应该包括以下几点:数据收集:所有用户的行为可以被转换成各种数据。本地和远程存储应能扩大产能。上级样本机制需要降低音量。该会议将更有效,如果可以提前获得目标。在传感器网络和个人的使用情况下,数据收集可以分配给下级网关。任务管理:一个巨大的任务必须分成多个子任务来提高效率。几个关键因素,如任务复杂性,本地资源能力,和时间消耗,应充分考虑。子任务的聚合将尽快执行所有的结果是可用的。在视频和音频广播的情况下,这些(数据)流的优先级可以基于自学习算法,生成和传输质量将确保使用这种方法。算法选择:很明显,整个移动网关的效率是基于算法的性能。基于需求的任务,一组由不同的属性算法应该建立并不断更新。在某些极端情况下,手动选择也是可以接受的。在监控的情况下,任务和监督的目标随时都在变化。僵化的和不可靠的这个集合的元素必须尽快删除。结果验证:自主学习得到的结果时,必须立即进行验证。如果返回一个“是”,随后的行动可能会照常进行。如果返回一个“不”,据报道,分析原因,将其他功能模块。这种验证可能被重复几次保证正确性。

在不同的交互功能模块可以分为“intraplane”和“interplane”类别。所有必要的行动可以在特定的总线来实现移动网关(八块综合箭头图的下半部分所示2)。选择黄色和红色线表示飞机内部和外部的相互作用的平面,分别。我们强调,两架飞机的所有模块可以灵活地相互连接和完整的合作工作。细节过程如下。

Intraplane交互。面向网络的情况下,相关寄存器和状态机的启动后,开始时应该建立的路径。在传输路径被利用的数量必须确定基于终端主机的能力。然后分组转发和ACK处理路径时应立即开始准备(黄线在图2)。传输路径选择应该由“包调度”模块。“应答处理”将更加注意延迟确认,重复ACK,失踪的ACK,等等。两个模块之间的信息交换必须经常以确保最大化可用带宽的利用率。所有这些以前的信息必须报“状态维修”模块。将生成的响应,并相应地发送回源。面向用户的情况下,“数据收集”模块不仅是其他模块的基础,但也受控者。开始收集之前,多个参数(如数据类型、采样率、标签计划,和存储空间)必须确定。每一段时间后,消化应该被发送到其他模块更新收集的原始信息和必要的调整触发模式。“任务管理”和“算法选择”模块必须一起操作(黄线在图2)。当一个特定的任务到达时,“任务管理”模块的解析器将抽象的需求和分析什么样的算法是必要的。那么“算法选择”模块将评估可用的算法。当找到匹配好,任务将是分布式和执行。否则,将使用妥协匹配。“结果验证”将引发一旦任务完成。功能和效率可以检查。结果将反馈给相关模块进行进一步的处理。

Interplane交互。在上面的描述,我们忽略了一些面向网络之间的信息交换和面向用户的飞机故意。然而,这些行动为更好的支持应用程序场景非常重要。我们用两个例子来证明它。第一个是数据驱动的建立多条路径。而不是手动设置,收集的数据的需求可以学会决定使用模式的路径。它可以被发送到“状态维修”模块,然后等待统一调度(红线图2)。当收集的数据的需求已经发生了变化,相应的修改路径的使用应调整。它肯定会影响这个过程的行为“包调度”和“ACK处理模块。第二个是驱动的道路上应用程序支持在图(不明显2)。与单纯形网络容量,用户期望不同,是不断变化的。由于不同的优先级流量和带宽有限,通常看到一些服务都被拒绝。然而,一些重量轻的应用可以使资源利用不足的路径。例如,一个视频广播一直否认。如果仍有微小空间多个路径,“包调度”模块可以直接调用“任务管理”模块,使传感器网络应用程序。最大负荷可能通过使用这样一个计划。

2.3。状态机转换

学习发动机的重要元素,应该突出显示状态机的转换过程。为了更好地支持上述功能模块,包括五个州内移动网关。

主动状态应该是“国家0 (S0)”或“空闲状态”(见图3)。它就会自动进入系统开启。一个无休止的循环将同时被触发。采用内部和外部中断必须监控处理在不同的情况下的更改。状态转换时可能发生的紧急任务。“状态1 (S1)”是基于本地资源的基本水平的学习过程。只有简单的函数可以实现在这个状态,适合重量轻的应用程序。船上的一部分资源将被启用。状态将改变回到S0如果所有操作已经完成。为了避免冗余,我们不会重复类似的返回过程在下面。 “State 2 (S2)” is the deep level local learning process. It may be triggered from S0 directly or via S1. The unoccupied capacity of hardware and software will be invoked to execute the task. It should be assigned the highest priority. If more than one task had been assigned, a specific queue should be established to schedule the sequence. The multithreading can be utilized if subtasks exist. “State 3 (S3)” is the synergetic level learning process, which can be achieved on top of multiple mobile gateways. If the task is too huge to be handled inside one device, the core elements of self-learning engine could seek help from adjacent neighbors. Several exact communication and negotiation steps are required. Some workloads still need to be done locally. Splitting the task reasonably is a crucial mission. Since the interactions with other mobile gateways must be finished in time, some nonurgent tasks could be suspended to save more resources to increase the speed of processing. “State 4 (S4)” is the advanced level learning process at the remote side. If all previous cases could not solve the problem, the task will be reported to the cloud platform. Similar to the previous case, these subtasks need to be locally achieved. Due to the latency brought by distance, the timeliness might be reduced.

一系列复杂的经历了所有国家也提供了在图3。这样一个过程,这是标有红色箭头和数量来,可能会带来更长的延迟。在某些特定情况下,状态穿越(S1和S3之间传播,S2和S4)也是可以接受的,而不是显示在图3。

它是重要的考虑网络环境状态机转换期间,特别是如果S3和S4已经深入参与。在S3的情况下,它主要取决于当地移动网关。虽然网络资源相对充足,巨大的和无用的数据包也会影响任务的分发和收敛。短的优点往返时间(RTT)应充分利用在S3中有效实现结果。S4的情况下,拥挤在远程执行是一个挑战。有时候,不能使用云平台的强大能力由于网络的瓶颈。带来的负面影响大的RTT必须避免。

在网络波动情况下,可以采用多种方法来保证可靠运行的状态机。例如,通过状态信号传输的带宽分配的一部分,可以确保自学引擎的性能。当没有状态需要维护或交换,预留带宽的体积应该发布到其他应用程序。如果其他交通的实际情况减少,保留带宽的数量可以增加,进一步加强信息交流。

2.4。自学习算法的选择

建立状态机转换的政策后,算法选择自学应该调查。合格的候选人可以大致分成了三个类别。监督式学习:应该有一个或多个特定的模型。这台机器将尝试基于指导学习。标记或常规数据是强烈推荐。无监督学习:在某些情况下,很难找到一个合适的模型来为机器提供相关建议。发现的模式和规则只能基于分类、回归,没有监督和其他行动。强化学习:在学习过程中更好地处理新问题,修改基本模型是非常有用的。连续反馈过程是强制性的。在下面,我们将提出的方法应用这些学习计划到移动网关的设计。

面向网络的飞机,我们选择感知器作为代表在监督学习计划。其他unsupervised-based reinforcement-based方案也可部署。为了适应多径情况下,原始的函数应该修改扩展二进制的结果。新表达式所示 在哪里维度,是维的输入向量,是权重向量。因此, 是激活函数。如果我们把时的重量值= 0,公式(1)可以重写以矩阵形式 为了遵循最新的网络参数波动,重量值应该调整基于错误;也就是说, 在哪里后的结果次调整。它也是一个向量。可以进一步表示为学习速率,计算预期输出和输出。阈值应该仔细设置时正确选择最佳路径传输基于当前网络情况。算法给出了算法的执行过程1。

面向用户的飞机,我们礼物——作为一个经典的无监督学习的计划。同样,它也是可行的选择方案从其他两类。由于排序数据可以直接匹配合适的多路径策略,我们首先计算路径选择的可能性。假设是可用的路径,然后应该应用场景图的组合2。因此, 在哪里是变量来表示可能的路径使用的用户数量。根据基本定义,假设我们有数据流和他们每个人都有相同的需求。每个数据流的属性是由真正的向量表示。的维数可以由“数据收集”模块。最终的目标是这些数据流分割成组()。让()是属于集团的数据流。它将有助于找到价值(),每组最小距离的数据流,可以表达的 在哪里是一组和欧氏距离的平方和。因此,表达式(6)可以写成 虽然问题似乎有点复杂,我们可能仍然使用一些启发式方法在计算。整个程序的详细算法2。

2.5。互动的过程

由于不同的目标和多个方法,我们决定现在移动网关的交互式过程从两个独立的观点。

面向网络的情况下,传统的握手后,在传输层代理将移动网关之间建立一个连接和相应的结束(如代理、基站和卫星)。当多个访问卡装备在狭窄的空间中,应该避免相互干扰。那么网络参数监测和评估应尽快启动设备打开。是合理的,包括带宽、RTT损失率,抖动的基本集。历史记录和未来趋势可以提供细粒度的信息分析流程。在大多数情况下,由于远程结束传统设备,他们可能无法提供新功能支持自主学习的能力。移动网关的功能模块单独完成相关任务。在数据传输期间,正常的数据包可以将一个或多个路径和关键数据包应该选择转发路径上基于自主学习的结果。

面向用户的情况下,首先,需要包括多种类型的访问。当移动网关的无线信号可用,用户应当连接到它通过物理层和媒体访问控制(MAC)层。其他类型的无线访问也可以添加通过增加额外的接口。登记手续之前,必须执行数据交换。其次,模式分析的自学习功能将被激活一旦成功收集必要的数据。波动的习惯需要更多的关注。的一些结果应该暴露给用户提示或建议。建议自学习计算不会影响正常的网络服务。第三,不同的优先级用户和多个服务应提供根据既定的规则或自学的结果。端主机和服务提供者可以发送修改优先级的请求。 Fourthly, the connections among multiple local mobile gateways should be set up. It is beneficial not only for the end host (more options to access the Internet), but also for the mobile gateways (more choices to improve the efficiency).

3所示。性能仿真

网络模拟器的平台是最新版本2 (17]。我们成功地实现自学习计划通过c++为传输层模块。一个更实际的多路径拓扑(如图4)建立了基于传统的哑铃锋利。作为代表协议,采用SCTP和并发启用多路径传输特性。移动网关和远程服务器(即。,the sender and receiver) are located on the left and right sides. Since the results of reversed directions could give us similar conclusions, we will not illustrate them here. Four intermediate routers compose two available paths. In order to study the influence triggered by hybrid background traffic, multiple generators and terminators are set up. Each node at the top area has three optional applications: FTP (over TCP) and CBR (over UDP). The bandwidths between generators (terminators) and intermediate routers are set to 100 Mb. And the latencies of these links vary from 1 ms to 50 ms. In order to highlight the bottleneck links (shown with lightning symbol in Figure4),我们配置的带宽和延迟其他链接到500 Mb和1 ms,分别。在接收端接收缓冲区设置为无限减少阻塞的影响问题。下降率利用路由器,我们释放队列长度的限制。我们的目标是要测试性能,在吞吐量方面,当带宽、RTT,下降的速度瓶颈链接调整。

用于测量吞吐量,仿真时间设置为200秒,每一次重复20次不同的种子。所有流的初始时间随机0到10之间的选择。在所有图形,平均值和90%置信区间(数据来自两个顶部和底部削减5%)计算说明。带宽的值、RTT和损失率在两个瓶颈链路,分别在不同的场景中模拟网络的变化调整。

根据之前的原则,我们已经实现了四个方案:自学与带宽(SLS-BW),与损失率(SLS-LR),与RTT (SLS-RTT)和混合考虑这三个参数(SLS-ALL)。两个分开的场景设置。

场景一:解决带宽和改变RTT和损失率。首先,带宽的值设置为160 Mb,损失的价值率从2%变化到6% 1%与一个固定的步骤。

如果RTT的值设置为20 ms,四个曲线显示在图5(一个)。增加的损失率,总吞吐量下降。四个病例的平均价值(从上到下)是24136年,23892年,23271年和22529年,分别。SLS-ALL的优势在所有情况下都是非常清楚的。当损失率很小,也就是说,2%和3%,SLS-ALL差距和SLS-RTT并不大(约等于1%)。然而,这样的差距将2.3%损失率为6%。的曲线SLS-LR排名第三的位置。因为它主要考虑包引发的效果下降,损失率较低的道路将是首选。最大和最小之间最大的差距是788年损失率为6%。SLS-BW的表现不如前三个方案。 The reason might be that the untouched bandwidth could not motivate the capacity of SLS-BW.

如果RTT的值设置为140毫秒,四个曲线见图5 (b)。他们的基本趋势还是一样的。由于时间延迟瓶颈,整体吞吐量略微下降。我们可以清楚地看到前两个值SLS-ALL和SLS-RTT相当接近。前两个值的置信区间也类似。增加的损失率,SLS-RTT不足逐渐暴露,因为它只计算一个网络参数。平均值是1.6%的最大差距损失率为5%。SLS-LR几乎是线性的下降,因为它是更敏感的丢包。SLS-BW的情况并没有改变。有一个最大的最大和最小的差距,当损失率为4%。 It indicates that the adaptive ability of this scheme could be improved.

其次,带宽的值设置为160 Mb, RTT的价值变化从40毫秒到120 ms 20步。

如果损失率的值设置为1%,四个曲线显示在图5 (c)。可以看到,所有情况下的置信区间是很小,这意味着算法可以提供相对稳定的输出。另一个观察是下降的速度与RTT增加逐渐降低。四个不同rtt曲线之间的差距也非常接近对方,这意味着延迟是一个稳定的参数的变化对我们的学习计划。

如果损失率的值设置为7%,四个曲线见图5 (d)。由于更高的损失率,更多的数据包将下降相关的链接。所有治疗这种情况下降低吞吐量。比较图5 (c)置信区间更大。更多的移动网关传送包时,它会增加学习过程的复杂性和减少估计的准确性。比SLS-RTT SLS-LR的性能较低,这意味着延迟仍然是这里的主导因素。

场景二:修复RTT和改变带宽和损失率。首先,RTT的值设置为160 ms和损失的价值率从2%变化到6% 1%与一个固定的步骤。

如果带宽的值设置为20 Mb,四个曲线显示在图6(一)。因为网络已经减少的可用容量,吞吐量也会拒绝。12111年最大值出现在SLS-ALL损失率为2%。虽然SLS-RTT接近总是(有些结果高于SLS-ALL),平均值仍排名第二位。损失的增加率,这样的差距越来越大,也就是说,1.8%,1.9%,2.2%在过去的三个案例。的性能SLS-LR仍比SLS-BW带宽有限的情况下。的波动情况下,置信区间,也类似于这两条曲线。差距最大的平均值287年出现损失率为5%。

如果带宽的值设置为140 Mb,四个曲线见图6 (b)。不同情况下的总体趋势是类似于图6(一)。12208年最大值出现在SLS-ALL损失率为2%。虽然带宽已经被放大到7次,吞吐量并没有大幅增加。SLS-RTT几乎是线性的下降,加速SLS-ALL的偏差。他们之间的最大差距是348年损失率为6%。尽管SLS-RT的趋势和SLS-BW接近SLS-RTT,排名仍未改变。

其次,RTT的值设置为160毫秒,带宽变化的价值从40 Mb到120 Mb 20步。

如果损失率的值设置为1%,四个曲线显示在图6 (c)。我们可以发现所有方案的吞吐量是维持一个小的波动。由于轴设置,置信区间不一样大的样子。随着带宽的增加,一些价值观SLS-ALL SLS-RTT混合在一起。SLS-RTT在不同情况下的平均值基本不变。的曲线SLS-LR仍高于SLS-BW在大多数情况下。

如果损失率的值设置为7%,四个曲线见图6 (d)。较大的丢包率触发降低所有情况下的吞吐量。所有曲线的排名保持不变。SLS-ALL差距和SLS-RTT相当接近。应该注意到的所有测试结果SLS-RT SLS-BW除此之外。

4所示。相关工作

有两个主要的研究方向是高度相关的工作,也就是说,自主学习策略和多路径传输。广泛的审查之后,一些选择论文仔细调查如下。

4.1。自主学习策略相关

面向网络的情况下,加工等。18)提出了一种新的调度器马尔默为动态移动卸载。不同于其他依赖于应用程序和静态计划,马尔默包含小说培训计划来支持灵活的政策,提高准确性。验证结果说明,马尔默有10.9% ~ 40.5%的精度高于其他两个策略。在分析新技术的优势和不足自动定量政策,唐代et al。19]介绍了SRSA提高自动定量的性能。选择两个代表性的场景展示服务波动。实验说明,这项工作比基于阈值策略和投票策略。使用自主学习在网络流量分析是一种流行的趋势。指出复杂的调整和详细信息的不便,Apiletti et al。20.)设计塞琳娜从网络获取有用的知识流动与自调优的财产。监督和非监督情况下被认为是。建立一个真正的系统来评估性能通过分析交通从一个大的ISP。为了解决交通标识的准确性问题,Grimaudo et al。21)存在一个名为选择识别和分类的新方案流基于无监督算法和自适应学习方法。多个数据集来自真实的交通。本文指出,选择的准确性在特定条件下可以达到98%。可以找到更全面的版本的这项工作在22]。为了解决具有挑战性的问题的处理大数据实时,Di Mauro和Di Sarno [23)说明了结构基于Apache风暴和雅虎萨摩亚。分布式算法实现流数据。评价结果发现这种结构的有效性。引入四种机器学习技术后,贾斯瓦尔和Lokhande24]证明了网络流量的分类方案。新捕获的数据和标准数据集都是采用调查的目的。六个算法实现和比较。结果说明,精度可以达到99%时基于树的计划是利用。

面向用户的情况下,作为一种常见的和方便的应用程序层选择,超文本传输协议(HTTP)已经引起了极大的关注和经常检查在自学。Claeys et al。25]跟随这个趋势,专注于HTTP自适应流媒体(已经)被广泛应用于视频对许多著名的互联网公司。原方案更适合于特定的网络设置和不能够处理大范围的动态环境。因此,作者提出了一个客户端设计方法与自学习能力。评估显示一些优势的新客户。根据速度适应的弱点在动态自适应流媒体通过HTTP (DASH),简et al。26]提出了基于机器学习的自适应流媒体通过HTTP (MLASH),一种新颖的方式一起工作与现有适应算法,提高整体精度。仿真验证的性能MLASH可以在视频质量优于其他传统方案。传感器网络也提供了广阔的自主学习空间应用程序,也非常有利于贫困地区。Marinca和Minet27]研究了传感器节点的动态行为之间的关系和通信链路的质量。然后提出了一种新的预测算法来帮助选择在数据转发的链接。预报员的概念也详细的估计质量的联系基于专家的建议。出于传感器网络的节能,Chakraborty和汗28)建立了一个新的统计模型来解决路由过程中功率效率问题。几个统计参数和阈值包含更多的功能添加到协议。常见的模式将自动向基站报告。评价说明了协议的能力,在能源效率方面。正如我们上面提到的,毫微微蜂窝设备是至关重要的部署在贫困地区和自主学习可以扩展其功能,如频谱使用情况和电源管理。Alnwaimi et al。29日]关注扰动问题,提出方案的频谱分布基于强化学习(RL)。两种不同的学习方法,即布什Mosteller (BM) RL和Roth-Erev RL,采用和修改。仿真表明,改进的BM的收敛能力比原计划。计算负担也进行了分析和讨论。王等人。30.)提出了一个新的权力分配方案节省的能量毫微微蜂窝网络。主要组件的重要行动任命和建模。自学习算法是利用方案和两种情况,即连续和离散,进行了分析。执行仿真评估方案的可用性和效率。

4.2。多路径传输相关的

使用多个数据包传输的路径仍有许多问题。Halepoto et al。31日)担心的影响在多路径传输共享缓冲区。作者利用缓冲区分离方案,保证路径长(短)延迟将分配的缓冲区空间更少(多)。评估表明,新方案的性能一样好(更好的)原始CMT-SCTP当两条路径(四个路径)。为了研究使用擦除的效果在传输层编码多个路径,萨瓦尔et al。32)消除代码集成到拥塞控制机制。delay-based传输参数也添加在发送端。仿真结果说明goodput可以在不同的情况下提高10%至80%。还提供了视频传输的性能验证的优势。由于迅速增长的信号在移动网络流量,一些研究人员相信多路径传输是一个关键的方法来减少延迟。Grinnemo et al。33比较CMT-SCTP和原始SCTP检查如果是前者可以为PSTN提供更快的启动信号。根据评价结果,答案是“是的”当多条路径的带宽和rtt是相似的。和更大的缓冲区在发送和接收国将是有益的。与多路径传输是否合适的问题对延迟敏感的流量,Yedugundla et al。34)验证视频的传输性能,网络游戏和网页浏览服务的3 g和WLAN共存场景当CMT-SCTP和MPTCP利用。模拟、仿真和实际实验结果表明,对称路径减少延迟是至关重要的。由于拥堵情况是很常见在当前互联网(35许,et al。36)研究各种拥塞控制方案在多径环境下和在不同的场景中进行比较。它也是一种很好的指针在多路径协议设计的最新进展。为了减少无序包引发的负面影响,李et al。37)提出了一种基于扩展的带宽和RTT估计方法矢量卡尔曼滤波器。路径选择策略也提出了基于。两个场景,带宽和延迟敏感的敏感,在仿真环境中建立。结果说明,扰乱宽慰和性能增强。延长的使用范围MPSCTP, Shailendra et al。38)提出了一种新的方法来缓解“不承认损失的限制。“与基于拥塞控制窗口的方案相比,这种新方法表现出更好的性能。Linux内核的实现。出于联合资源管理(JRM) Sumesh et al。39)提出修改移动CMT (m2CMT)计划,以进一步减少影响引发的接收缓冲区阻塞。仿真表明,m2CMT可能超越mCMT和原始CMT给定的场景。也旨在解决阻塞问题在接收机端,华莱士et al。40)引入一个按需调度程序(ODS) CMT允许发送方等待合适的机会给包在一个特定的路径。一种新颖的拥塞窗口也提出更新方案。与传统调度方法相比,仿真结果表明可以增强ODS的吞吐量。

5。结论

移动互联网的覆盖在贫困地区迫切需要,具有重要意义。关键元素,移动网关的影响引起了广泛的关注。在分析的主要问题和可能的解决方案从不同的观点,我们提出了一个移动网关设计方法基于自主学习的策略。它认为个人的连接路径和整体性能的特点。在调查过程中,首先提出了网络体系结构和目标特性。其次应用场景和功能模块内部移动网关进行了讨论。第三,自主学习引擎的核心元素是演示了基于五个不同的国家。网络环境的影响也进行了分析。第四,三个典型的自学计划检查和两个算法。互动过程提供网络和面向用户的观点。 The advanced characteristics of the new scheme are investigated based on simulation platform. Performance evaluations demonstrate that the SLS-ALL scheme outperforms several original schemes in different scenarios.

对未来的工作,这将是有趣的进一步研究的能力在实际环境中我们的设计方案。相应的调整应根据测量结果的实现。潜在的用法更贫困的地区可以仔细地扩展。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作得到了Soonchunhyang大学研究基金和项目批准号下的中国国家电网公司SGRIXTJSFW377年。