A Multimodal Deep Learning-Based Distributed Network Latency Measurement System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Network latency plays an important role in the server-selection process as well as real-time applications. Depending on the network system size, network latency can be either explicitly measured or predicted. While for small-scale systems explicit delay measurements can be performed between any pair of network nodes, this method is not feasible for large-scale networks due to the tremendous traffic and processing overhead. As a result, networking companies as well as researchers use the estimation methods for round-trip time (RTT) in large-scale networks. In such methods, network latency estimation is based on performing a small set of actual RTT measurements and predicting the rest of latencies among all network nodes. However, they suffer from several drawbacks such as poor performance, long convergence duration, or lack of convergence. In this article, we present a novel method of large-scale network latency estimation using artificial intelligence (AI). Our system uses a multimodal deep learning algorithm for high accuracy and computing speed. The proposed AI-based system is trained and evaluated using the well-known KING data set derived from the measurements of a real large-scale network. Performance evaluations show that our proposed approach significantly outperform existing techniques, achieving the 90th percentile relative error of 0.25 and an average accuracy of 96.1%, and 76.4% of the measurements are within 20% estimation error.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle