An empirical evaluation of short-period prediction performance
Notice bibliographique
Résumé
Traffic prediction constitutes a hot research topic of network metrology. Thus, tuning the prediction model parameters is very crucial to achieve accurate prediction. This work focuses on the design, the empirical evaluation and the analysis of the behavior of linear models for predicting the throughput of a single link. In this work, the AutoRegressive Integrated Moving Average (ARIMA) model and the linear minimum mean square error (LMMSE) are used for predicting. Via experimentation on real network traffic, we study the effect of some parameters on the prediction performance in terms of error such as the number of last observations of the throughput (i.e. lag) needed as inputs for the model, the data granularity, variance and packet size distribution. We also investigate multi-step prediction that is the number of steps that could be predicted in the future. Besides, we performed a set of predictions based on packets size. Unexpectedly, we find that using more than two lags as inputs for the prediction model increases the prediction error. We find that using the last observation as the predicted value provides the same 1-step prediction performance as ARIMA or LMMSE model. The ARIMA model provides an acceptable multi-step prediction performance. Experimental results show also that there is a granularity value at which the multi-step prediction is more accurate. We also find that the prediction of classified packets based on their size is possible. Especially, throughput of 1,500-byte packets is the less predictable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».