Abstracto

Aprendizaje automático 2018: aprendizaje profundo: investigación de la red IoT sobre la dependencia de largo alcance de la pérdida de paquetes y la calidad de la experiencia (QoE) - Jin Wang y Yi bin Hou-Universidad Tecnológica de Beijing

Jin Wang y Yi Bin Hou

El Internet de las cosas incorpora la innovación web, los sistemas cableados y remotos. La Internet de las cosas y la web son la conexión entre el padre y el niño. En este artículo, pretendemos examinar el examen de la pérdida de paquetes del sistema, la dependencia a largo plazo y la calidad de la experiencia y generar un buen resultado y resultado. Para establecer más fácilmente un modelo de evaluación de la calidad de video sin referencia considerando la pérdida de paquetes del sistema y además agregar una mejor evaluación de la calidad de la experiencia, creamos la etapa de reproducción NS2 ??? MyEvalvid para examinar el estándar de escala para la pérdida de paquetes del sistema, el estándar de escala para la pérdida de paquetes a través del impacto de la tasa de pérdida de paquetes para afectar la calidad de la experiencia. Los resultados de la prueba muestran que, los tipos de pérdida de paquetes tienen dependencia a largo plazo, la cantidad de fuente superpuesta N, el límite de forma, el límite de Hurst, la velocidad de la interfaz de salida tienen impactos en la dependencia a largo plazo. Llegamos a la conclusión de que cuando la fuente superpuesta N es mayor, el límite de forma es menor, el límite de Hurst es mayor, la velocidad de la interfaz de salida es menor, la dependencia a largo plazo de la pérdida de paquetes es mayor y la tasa de pérdida de paquetes es alta. Internet de las cosas, incluida la tecnología de Internet, incluidos los sistemas cableados y remotos. Internet de las cosas e Internet es la conexión entre el padre y el hijo. En este documento, planeamos examinar la investigación sobre la dependencia a largo plazo de la pérdida de paquetes del sistema y la QOE y agregar un buen resultado y final. Con el fin de establecer un modelo de evaluación de calidad de video sin referencia más probable teniendo en cuenta la pérdida de paquetes del sistema y agregar una mejor evaluación de QoE, construimos la etapa de juego NS2 + MyEvalvid para examinar el estándar de escala para la pérdida de paquetes del sistema, el estándar de escala para la pérdida de paquetes a través del impacto de la tasa de pérdida de paquetes para afectar la QoE. Los resultados de la prueba muestran que las formas de pérdida de paquetes tienen una dependencia a largo plazo, la cantidad de fuente superpuesta N, el límite de forma, el límite de Hurst y la velocidad de la interfaz de salida tienen impactos en la dependencia a largo plazo. Llegamos a la conclusión de que cuando la fuente superpuesta N es mayor, el límite de forma es menor, el límite de Hurst es mayor, la velocidad de conexión de salida es menor, la dependencia a largo plazo de la pérdida de paquetes es mayor y la tasa de pérdida de paquetes es alta. El aprendizaje automático (ML) ha estado disfrutando de una avalancha notable de aplicaciones que abordan problemas y permiten la automatización en diferentes áreas. Básicamente, esto se debe al auge en la accesibilidad de la información, las enormes mejoras en las prácticas de ML y los avances en las capacidades de registro. Sin lugar a dudas, ML se ha aplicado a diferentes problemas cotidianos y complejos que surgen en la actividad y la gestión de sistemas. Existen diferentes estudios sobre ML para áreas específicas en la administración de sistemas o para avances específicos en sistemas. Este estudio es único,ya que en conjunto presenta el uso de diversos métodos de ML en diferentes áreas clave de la administración de sistemas a través de varias innovaciones de sistemas. En este sentido, los lectores se beneficiarán de una discusión extensa sobre los diferentes modelos ideales de aprendizaje y métodos de ML aplicados a cuestiones clave en la administración de sistemas, incluyendo predicción de tráfico, dirección y agrupación, control de bloqueo, gestión de activos y problemas, gestión de QoS y QoE, y seguridad del sistema. Además, esta descripción general describe las limitaciones, las experiencias de los proveedores, los desafíos de investigación y las oportunidades futuras para impulsar el ML en la administración de sistemas. Por lo tanto, este es un compromiso oportuno de las ramificaciones del ML para la administración de sistemas, que está impulsando los obstáculos de la actividad del sistema autónomo y la administración.

Biografía :

Jin Wang completó su licenciatura en Ingeniería de Software en la Universidad de Tecnología Química de Beijing, Beijing, China y ganó la Beca Nacional en 2010 y ganó la Beca Nacional Endeavor en 2009. Completó su maestría en Tecnología de Aplicaciones Informáticas en la Universidad Shijiazhuang Tiedao. Ha publicado muchos artículos, incluidos ISTP, EI y SCI y también ha participado en tres proyectos del fondo nacional de ciencias naturales.