Network Latency Classification for Computer Games
Notice bibliographique
Résumé
WTFast’s Gamers Private Network (GPN) technology improves and stabilizes network latency of communication between players and servers in online video games, especially when players are distributed worldwide. Latency is known to be the most critical factor in gaming quality of experience. We investigate the classification of game sessions based on their features to five “playability” levels of latency using a large data set collected from the GPN network in 2019–2020. Various machine learning models were developed using this data set and evaluated using conventional and new performance metrics. The results confirm that such a classifier could be developed with reasonable average accuracy. The correct classification and hence “playability” of a game session based on its environmental, sizing, game type, and physical features is important for the operation and continuous management of a game-focused network such as the GPN. The use of an effective machine learning classifier will pave the way for building an effective and productive pipeline for game traffic routing and dynamic network reconfiguration. While the proposed measure of classifier performance shows promise, more research work would be required to understand its mathematical and statistical properties and its relationships to existing metrics: (a) because it’s a very specific type of application area (gaming+networking) for which there is relatively little ML research; (b) what very-high quality classifiers could mean for a real-time GPN management system that would provide QoE feedback to the GPN routing heuristics.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».