Machine Learning Tool for Analyzing Finite Buffer Queueing Systems
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
Queueing delays are one very important performance measure for most engineering network systems. Providing low-delay systems is a major goal of service providers, as it is a leading concern for users/customers. These network systems and their performance measures are typically analyzed using queueing-based models. Even though there are several available strong and precise mathematical models for analyzing queueing systems, their applications are limited to simple and small-scale systems due to their lack of scalability in real-life systems. Researchers have spent a good portion of their efforts toward perfecting the analysis of such systems. Precise and accurate results are available for single-node systems with standard operations. However, for analyzing multi-node systems with complex operations, one has to resort to approximations or simulations. Some of these approximations usually give an oversimplified view of such systems; these approximations remain quite limited. In this paper, we present a machine learning tool that can potentially be used to analyze most finite buffer queues to obtain reasonable approximations for the mean number of items in such systems. The machine learning tool we develop is based on supervised learning using the Michaelis–Menten non-linear model used in biochemistry and the results are simple to obtain. It is fast and very scalable; these characteristics represent the main features of this approach compared to existing systems. The coefficient of determination R2 for all the examples presented are all higher than 90%, with some as high as 99.6%.
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 | 0,001 |
| 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 | 0,000 | 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