arXiv 2203.135962022-03-25cs.NI

DeepALM：基于机器学习的光网络整体监控

DeepALM: Holistic Optical Network Monitoring based on Machine Learning

Joo Yeon Cho, Jose-Juan Pedreno-Manresa, Sai Kireet Patri, Khouloud Abdelli, Carsten Tropschug, Jim Zou, Piotr Rydlichowski

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们展示了一个基于机器学习的光网络监控系统，该系统可以在单个解决方案中集成光纤监控、光硬件的预测性维护和安全信息管理。

英文摘要：

We demonstrate a machine learning-based optical network monitoring system which can integrate fiber monitoring, predictive maintenance of optical hardware, and security information management in a single solution.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

使用多技术监控和支持SDN的光收发器实现光网络虚拟化

Optical Network Virtualisation using Multi-technology Monitoring and SDN-enabled Optical Transceiver

我们引入了实时多技术传输层监控，以促进由光学虚拟化收发器（V-BVT）支持的光学和以太网网络的协调虚拟化。提出了一种监控和网络资源配置方案，包括以太网层和光纤层的硬件监控。该方案描述了软件定义网络（SDN）背景下多个网络层之间的数据和控制交互，以及分析从数据库获得的监测数据的应用。我们还提出了一个重新配置算法，以自适应地修改基于两个标准的虚拟光网络的组成。实验证明了所提出的监测方案与OpenFlow（OF）扩展的整体（重新）配置在以太网交换机和V-BVT的两个层。

2018-01-15cs.NI

FLEET：面向整体性研究的联邦学习仿真与评估测试平台

FLEET: A Federated Learning Emulation and Evaluation Testbed for Holistic Research

针对现有联邦学习评估工具难以模拟真实运行条件、导致理论与实际性能脱节的问题，本文提出集成跨框架学习组件与高保真网络仿真器的FLEET测试平台，可系统研究网络约束对FL算法的影响，助力联邦学习的整体性可复现评估。

2025-09-03cs.NI

机器学习辅助的新兴网络整体切换优化

Machine Learning Aided Holistic Handover Optimization for Emerging Networks

University of Oklahoma（俄克拉荷马大学）；Qatar University（卡塔尔大学）

随着新兴蜂窝网络中的网络密集化和多频带操作，移动性和切换管理正成为主要瓶颈。该问题由于以下事实而进一步恶化：用于不同类型的跨频器（即频率间和频率内跨频器）的整体移动性管理解决方案仍然稀缺。本文提出了第一种移动性管理解决方案，其同时优化频率间相关A5参数和频率内相关A3参数。我们分析和优化五个参数，即A5-触发时间（TTT），A5-阈值1，A5-阈值2，A3-TTT，和A3-偏移量，共同最大化三个关键性能指标（KPI）：边缘用户参考信号接收功率（RSRP），切换成功率（HOSR）和频带之间的负载。由于系统级的复杂性，在缺乏易处理的分析模型的情况下，我们利用机器学习来量化作为移动性参数的函数的KPI。基于XGBoost的模型在边缘RSRP和HOSR方面具有最佳性能，而随机森林在负载预测方面优于其他模型。对移动性参数的分析提供了若干见解：1）在A3和A5参数之间存在强耦合; 2）对于每个KPI存在最优参数集;以及3）最优参数对于不同的KPI而变化。我们还执行基于SHAP的敏感性，以帮助解决KPI之间的参数冲突。最后，我们制定了一个最大化的问题，它是非凸的，并解决它利用模拟退火（SA）。结果表明，基于ML的SA辅助解决方案比蛮力方法快14倍以上，最优性略有损失。

2022-02-06cs.LGcs.NI

教学无线传感器网络：一个整体性的方法桥接理论和实践在硕士水平

Teaching Wireless Sensor Networks: An Holistic Approach Bridging Theory and Practice at the Master Level

无线传感器网络（Wireless Sensor Networks，WSNs）是近年来受到学术界广泛关注的一项新技术。无线传感器网络有许多应用，包括环境监测，工业自动化，智能交通系统，医疗保健和健康，智能能源等。在博士和硕士两级都开设了课程。然而，这些现有的课程侧重于无线传感器网络的特定方面（网络，或信号处理，或嵌入式软件），而无线传感器网络包括传统上分离在电气工程和计算机科学学科。本文给出了两个原创性的贡献：应该带来的无线传感器网络课程的基本知识的特点，并提出了一个和谐的整体方法的课程结构。基于理论和实验的方法说明了本课程的设计，使学生动手实施，理解，并在实践中发展的理论概念的影响。因此，理论和应用都被考虑在一起。最终，本文的目标是设计一个新的课程，使用创新的动手实验来说明在课程中的理论概念，以表明理论方面是必不可少的现实生活中的工程无线传感器网络问题的解决方案，并最终创建一个有趣的和有趣的教学和学习环境的无线传感器网络。

2013-10-09cs.CYcs.NI

大规模IoT网络中准周期流量监测的机器学习方法

Machine Learning Methods for Monitoring of Quasi-Periodic Traffic in Massive IoT Networks

Aalborg University（奥尔堡大学）

大规模物联网（IoT）部署的核心问题之一是监控大量链路的状态。通过链路传输的业务的不规则性加剧了这个问题，因为业务的不规则性可以伪装成链路故障，反之亦然。在这项工作中，我们提出了一个流量模型的物联网设备运行准周期性的应用程序，我们提出了监督和无监督的机器学习方法来监测网络性能的物联网部署与准周期性的报告，如智能计量，环境监测和农业监测。无监督方法基于Lomb-Scargle周期图，这是天文学家开发的一种方法，用于估计不均匀采样时间序列的谱密度。

2020-02-27cs.LGcs.NI

使用机器学习技术的无源光网络故障监测

Fault Monitoring in Passive Optical Networks using Machine Learning Techniques

Nokia Bell Labs（诺基亚贝尔实验室）；ADVA Optical Networking SE（ADVA光学网络股份公司）；ADVA Network Security GmbH（ADVA网络安全有限公司）；Christian-Albrechts-Universität zu Kiel（基尔大学）

本文针对无源光网络中因分支反射重叠而难以识别故障ONU的问题，提出多种机器学习故障监测方法，并利用实验OTDR数据验证其有效性。

2023-07-08cs.LGcs.NIeess.SP