Your browser does not support JavaScript!

Αρχική    On user - centric modular QoE prediction for VoIP based on machine - learning algorithms  

Αποτελέσματα - Λεπτομέρειες

Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000399610
Τίτλος On user - centric modular QoE prediction for VoIP based on machine - learning algorithms
Άλλος τίτλος Προβλέποντας με χρηστο - κεντρικό επεκτάσιμο τρόπο την αντιλαμβανόμενη ποιότητας υπηρεσίας για δικτυακή τηλεφωνία βασισμένη σε αλγορίθμους μηχανικής μάθησης
Συγγραφέας Χαρωνυκτάκης, Παύλος Α.
Σύμβουλος διατριβής Παπαδοπούλη, Μαρία
Μέλος κριτικής επιτροπής Τσαμαρδινός, Ιωάννης
Δημητρόπουλος, Ξενοφώντας
Περίληψη Η ζήτηση και η χρήση ασύρματης πρόσβασης αυξάνονται ραγδαία. Το πλήθος των φορητών συσκευών και οι ικανότητες τους, συμπεριλαμβανομένης και της δυνατότητας πρόσβασης σε πολ λαπλές διεπ αφές δικτύου, επίσης αυξάνονται δραματικά. Τα ασύρματα δίκτυα συχνά παρουσιάζουν «περιόδους οξείας δυσλειτουργίας», προκαλώντας σημαντική υπο βάθμιση στην απόδοση της υπηρε σ ίας που εκτελείται σε ασύρματες συσκευές και την αντίστοιχη εμπειρία του χρήστη. Η επίδραση της απόδοσης του δικτύου στην αντιλαμβανόμενη ποιότητα υπηρεσίας ( QoE ) από τον χρήστη για ποικίλες υπηρεσίες δεν είναι καλά κατονοητή. Η εκτίμηση της επίδρασης των διαφορετικών συνθηκών του δικτύου και του καναλιού στην εμπειρία του χρήστη είν αι σημαντική για την αναβάθμιση των τηλεπικοινωνιακών υπηρεσιών. Η αντιλαμβανόμενη ποιότητα υπηρεσίας για ποικίλες ασύρματες υπηρεσίες, συμπεριλαμβανομένης της διαδικτυακής τηλε φωνίας ( VoIP ), βίντεο συνεχούς ροής, κ αι περιήγησης στο διαδίκτυο, είναι στο επίκεντ ρο των πρόσφατων δραστηριοτήτων δικτύωσης. Η πλειοψηφία τέτοιων δραστηριοτή των προσπαθούν να χαρακτηρίσουν την εμπειρία του χρήστη, αναλύοντας ποικίλους τύπους μετρή σεων συ χνά με αθροιστικό τρόπο. Αυτή η μεταπτυχιακή εργασία προτείνει το MLQoE , ένα ν αρθρωτό αλγόριθμο για χρηστο - κεντρική πρόβλεψη της αντιλαμβανόμενης ποιότητας υπηρεσίας. Το MLQoE εφαρμόζει πολλαπλούς αλγορίθμους μηχανικ ής μάθησης, ονομαστικά, Τεχνητά Νευρων ικά Δίκτυα, Μηχανές Διανυσμάτων Υποστήριξης για παλινδρόμηση, Δέντρα Απόφασης, και ταξινομητές Γκαουσιανού Αφελούς Bayes , και προσαρμόζει τις υπερ - παραμέτρους τους. Χρησιμοποιεί το εμφωλευμένο πρωτόκολλο Διασταυρωμένης Επικύρωσης ( Cross Validation ) για την επιλογή του καλύτερου ταξινομητή κ αι των αντίστοι χων καλύτερων τιμών των υπερ - παραμέτρων του και εκτιμά την απόδοση του τελικού μοντέλου. Το MLQoE είναι αρθρωτό, έτσι, μπο ρεί εύκολα να επεκταθεί ώστε να π εριλαμβάνει και άλλους αλγορίθ μους μηχανικής μάθηση ς. Επιλέγει τον αλγόριθμο μηχανικής μάθησης που παρουσιάζει την καλύτερη απόδοση και τις παραμέτρους του αυτόματα δεδομένου του συνόλο υ δεδομένων που χρησιμοποιεί ως είσοδο. Χρησιμοποιεί εμπειρικές μετρήσεις βασισμένες σε δι κτυακές μετρικές (π.χ., απώλεια πακέ των, καθυστερήσεις, και διαδοχικές αφί ξεις πακέτων) και υποκειμενικές βαθμολογίες άποψης από πραγματικούς χρήστες στο πλαίσιο μίας υπηρεσίας. Αυτή η εργασία επικεντρώνεται στο VoIP και αξιολογεί εκτενώς το MLQoE χρησιμοποιώντας τρία μονόδρομα σύνολα δε δομένων που περιέχουν VoIP κλ ήσεις σε ασύρματα δίκτυα κάτω από ποικίλες συνθήκες δικτύου και ανάδραση από χρήστες (συλλεγμένα σε μελέτες πεδίου). Το MLQoE έχει πολύ καλή απόδοση. Για παράδειγμα, στα πειράματα μας, μπορεί να επιτευχθεί μέσο απόλυτο λάθος μι κρότερο του 0.50 και διάμεσ ο απόλυτο λάθος μικρότερο από 0.30 (στην κλίμακα του MOS ).
Φυσική περιγραφή xvi, 55 σ. : πίν., εικ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Wireless networks
Ασύρματα δίκτυα
Ημερομηνία έκδοσης 2016-03-18
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Εμφανίσεις 56

Ψηφιακά τεκμήρια
No preview available

Προβολή Εγγράφου
Εμφανίσεις : 19