XiaoMi-AI文件搜索系统
World File Search SystemQOS
下一代可编程网络中的人工智能控制逻辑，
摘要：新一代可编程网络允许部署机制来有效控制动态带宽分配，并确保延迟或丢失敏感的物联网 (IoT) 服务的关键性能指标 (KPI) 方面的服务质量 (QoS)。为了在软件定义网络 (SDN) 中实现灵活、动态和自动化的网络资源管理，人工智能 (AI) 算法可以提供有效的解决方案。在本文中，我们提出了网络资源分配的解决方案，其中 AI 算法负责控制 SDN 中的基于意图的路由。本文重点研究了使用基于人工神经网络的深度 Q 学习方法在两个指定路径之间最佳切换意图的问题。所提出的算法是本文的主要创新之处。开发的网络应用仿真系统 (NAPES) 允许使用不同的模式测试 AI 解决方案，以评估所提解决方案的性能。对 AI 算法进行了训练，以最大化网络中的总吞吐量和有效的网络利用率。结果证实了应用人工智能方法解决下一代网络性能改善问题的有效性，以及 NAPES 流量生成器在物联网网络系统评估中实现高效经济和技术部署的实用性。
军事用 IP 多媒体集成系统...
在本文中，我们将概述 SIT。特别是，我们将描述直接源自 ITU-T H.323 标准框架的系统架构。选择此标准是因为它在开发新服务方面具有极大的灵活性，并且能够与传统通信技术集成。根据 ITU 术语，SIT 实现了一个 Gatekeeper，充当 AA 服务器（身份验证和授权）和信令集中器。Gatekeeper Routed 模型允许对网络中的通信活动进行精细控制，并且是流量控制的必要条件。Gatekeeper 认识到两个或多个实体需要相互通信，将其带宽请求转向动态信令互通单元，该单元与传输网络中的带宽代理进行协作。我们的集成通信系统具有动态网络架构和带宽优化功能，允许实体之间直接通信，从而允许信令过程和在核心网络支持下建立 QoS 策略。这可以防止 Gatekeeper 充当应用程序代理并提高系统的稳健性。 SIT 支持多点通信，实现两个不同的多点控制单元，集成多点控制器和多点处理器：Int_MCU 和 Ext_MCU。后者专用于传统实体（无线电设备）内的交互
第 784 条 - FDOT
784-1 管理现场以太网交换机。784-1.1 描述。为智能交通系统 (ITS) 项目提供并安装强化的设备级管理现场以太网交换机 (MFES)。确保 MFES 以每秒 100 兆比特的传输速率从远程 ITS 设备安装位置到 ITS 网络主干互连点提供线速快速以太网连接。仅使用符合这些最低规格要求且列在部门批准产品清单 (APL) 上的设备和组件。784-1.2 材料：784-1.2.1 一般要求：确保 ITS 网络管理员能够单独管理每个 MFES 并作为一个组进行交换机配置、性能监控和故障排除。确保 MFES 包含第 2 层以上功能，包括 QoS、IGMP、速率限制、安全过滤和一般管理。确保所提供的 MFES 与 ITS 主干以太网网络接口完全兼容且可互操作，并且 MFES 支持半双工和全双工以太网通信。所提供的 MFES 应提供 99.999% 的无错误操作，并符合电子工业联盟 (EIA) 以太网数据通信要求，使用单模光纤传输介质和 5E 类铜传输介质。为每个远程 ITS 现场设备提供交换式以太网连接。确保 MFES 的平均故障间隔时间 (MTBF) 至少为 10 年或 87,600 小时，这是使用 Bellcore/Telcordia SR-332 可靠性预测标准计算得出的。784-1.2.2 网络标准：确保 MFES 符合所有适用的 IEEE 以太网通信网络标准，包括但不限于：1. 与快速生成树协议 (RSTP) 一起使用的媒体访问控制 (MAC) 桥的 IEEE 802.1D 标准。 2. IEEE 802.1Q 标准，适用于基于端口的虚拟局域网 (VLAN)。 3. IEEE 802.1P 标准，适用于服务质量 (QoS)。 4. IEEE 802.3 标准，适用于局域网 (LAN) 和城域网 (MAN) 接入和物理层规范。 5. IEEE 802.3u 补充标准，适用于 100 Base TX/100 Base FX。 6. IEEE 802.3x 标准，适用于全双工操作的流量控制。 784-1.2.3 光纤端口：确保所有光纤链路端口在单模式下以 1,310 或 1,550 纳米运行。确保光纤端口仅为 ST、SC、LC 或 FC 类型，如计划中或工程师所指定。请勿使用机械传输注册插孔 (MTRJ) 型连接器。提供至少具有两个光纤 100 Base FX 端口的 MFES，能够以每秒 100 兆比特的速度传输数据。确保 MFES 配置的端口数量和类型与合同文件中详述的一致。提供设计用于一对光纤的光纤端口；一根光纤将传输（TX）数据，一根光纤将接收（RX）数据。
ICS-GS24044X
标准IEEE 802.3 10BASE-T 10MBIT/S以太网IEEEE 802.3U 100base-Tx，100base-fx，快速以太网IEEEE 802.3AB 1000BASE-T GBIT/S以太网扭曲的IEEE EEEE 802.3Z 10002.3Z 1000base-X Gbit Gbit Gbit/s Ethernet of Fiber of Fiber IEEEE EEE EEE EEE EEE EEE EEE 802.3EEE EEERENT EELERN EELERN EELERN EELERN EERINER EELERN EELERIN 802.1d STP（跨越树协议）IEEE 802.1W RSTP（快速跨越树协议）IEEE 802.1S MSTP（多个跨越树协议）ITU-T G.8032 / Y.1344 ERPS（以太网环保护开关）ITU-T G.8031 / y.8031 / y.1342 EPS（ETRAN）EPS（ETHERENET PRECTAR PRITIAL SWITCTAIL IEEE） 802.1X Port based and MAC based Network Access Control, Authentication IEEE 802.3ac Max frame size extended to 1522Bytes IEEE 802.3ad Link aggregation for parallel links with LACP (Link Aggregation Control Protocol) IEEE 802.3X Flow control for full duplex IEEE 802.1ad Stacked VLANs, Q-in-Q IEEE 802.1p LAN Layer 2 QoS/CoS Protocol for Traffic Prioritization IEEE 802.1AB链接层发现协议（LLDP）IEEE 802.3AZ EEE（能源有效以太网）
通往节能网络的路线图
通过下一代移动网络（NGMN）的移动行业，绿色未来网络计划正在共同努力，以提高网络能源效率（EE）。本出版物，概述并优先考虑在绿色未来网络计划的第三阶段探索的各种选项。以前的出版物涉及由移动网络运营商（MNO）部署的短期解决方案，以解决具有挑战性的能源景观。相比，本报告进一步扩展了潜在的技术，这些技术可能为网络EE路线图铺平了道路，以应对MNO面临的即将到来的环境和经济挑战，每种潜在的潜在解决方案都映射到了时间霍森的指示，以实现其潜在的未来实施。首先，能够测量无线电访问网络（RAN）EE是过程的重要组成部分。探索了实验室中评估基站（BS）设备的两种方法；电力消耗的静态测量程序和EE的动态测量程序。根据上下文，在测试当今现代BS设备时，每个都有自己的位置。但是，BS可以用于许多不同的配置，目的和上下文中。此外，为了支持网络EE优化，人工智能（AI）可能是提供能源消耗（EC）估计和预测的关键工具，同时限制了在整个网络中收集和传输的数据量。本报告建议标准组织定义方法，以在控制网络配置和参数的节点上传输和更新AI模型。在这种情况下，随着AI模型规模的增加，我们提倡解决方案的需求能够调整模型复杂性，以最大程度地减少以下来自：模型培训，传输和执行的EC。我们还强调，很快，MNO可能会试图集成新颖的硬件和软件机制，以支持基于AI的网络EE建模和优化。在软件级别上，集成新的智能解决方案可以使网络通过调整每个给定时间点的实际流量负载来减少EC。在室内部署中，提出了一种新的节能技术来管理每个RU的状态，全部属于给定单元，以动态关闭任何在给定时间点不具有用户连接或数据传输的RU的功率放大器（PA）。试验强调，相对于始终在网络部署中，该解决方案可实现20％的节能增益。由于不可忽略的负载，因此不可能关闭无线电组件，此报告表明，通过限制传输频谱效率来降低发射功率的智能资源分配，可能会导致RU的负载依赖性EC降低30％，而不会影响用户的服务质量（QOS）。我们建议标准组织定义方法，以协调实施独特且潜在竞争的节能机制的正确命令。可以通过实施不同级别的协调级别的解决方案来实现进一步的收益，以实现更有效的网络资源使用。更具体地说，该出版物强调了与新型网络优化方法有关的试验，该方法利用了服务领域的异质QoS要求，最多可占
VKECE-3D：基于3D-Voronoi和K-Means算法的三维异质无线传感器网络中的节能覆盖范围
摘要：在这些年中，更接近实际应用环境的异质无线传感器网络的3D节点覆盖已成为研究的强烈重点。但是，将传统的二维平面覆盖方法直接应用到三维空间中，其应用复杂性很高，覆盖率低和短期生命周期。大多数方法在考虑覆盖范围时忽略网络生命周期。网络覆盖范围和生命周期决定了异质无线传感器网络中服务质量（QOS）。因此，能量覆盖范围的增强是一项重要和具有挑战性的任务。为了解决上述任务，提出了基于3D-Voronoi分区的能量覆盖范围增强方法VKECE-3D和K-MEANS算法。在保证覆盖范围的同时，将活动节点的数量保持在最低限度。首先，基于随机的节点部署，使用高度破坏性的多项式突变策略将节点部署两次，以提高节点的均匀性。其次，最佳感知半径是使用K-均值算法和3D-Voronoi分区来计算的，以增强网络覆盖质量。最后，提出了一种多跳沟通和轮询工作机制，以降低节点的能耗并延长网络的寿命。它的仿真发现表明，与其他能源效率增强解决方案相比，VKECE-3D可改善网络覆盖范围，并大大延长网络的寿命。
第六代（6G）无线网络的挑战
第五代 (5G) 无线网络可能会为移动、个人和局域网提供高数据速率、更高的可靠性和低延迟。随着智能无线传感和通信技术的快速发展，数据流量大幅增加，现有的 5G 网络无法完全支持未来用于服务、存储和处理的海量数据流量。为了应对未来的挑战，研究界和行业正在探索基于太赫兹的第六代 (6G) 无线网络，预计该网络将在短短十年内提供给工业用户。了解和掌握 6G 的不同挑战和方面对于满足未来的通信需求和满足不断发展的服务质量 (QoS) 需求至关重要。本调查全面研究了与 6G 相关的规范、要求、应用和支持技术。它涵盖了颠覆性和创新性，以及 6G 与先进架构和网络的集成，例如软件定义网络 (SDN)、网络功能虚拟化 (NFV)、云/雾计算和面向人工智能 (AI) 的技术。该调查还解决了隐私和安全问题，并提供了潜在的未来用例，例如虚拟现实、智能医疗和工业 5.0。此外，它还确定了当前的挑战并概述了未来的研究方向，以促进 6G 网络的部署。
Vilte和Vinr：IMS技术视频通话之间的电池消耗比较
关于第五代（5G）通信系统对移动网络发展的影响的讨论很多。根据[1]，与移动网络相关的设备的数量预计在2018年至2023年之间将扩大约48.9％，这表明与网络连接的智能手机的增加到8.8亿增加到131亿。由于Covid-19造成的限制，视频通话服务的使用大幅增加，这是一种快速有效的减少家庭之间距离的方法[2]。作为长期演变的视频和新无线电（Vilte和Vinr）是视频流技术，它们的使用增加了数据流量速率（吞吐量）；因此，电池的消耗量会更高[3]。为了解决这个问题，许多智能手机供应商投资于推进和改进电池技术，但是能源存储的发展速度比市场所需的要慢。因此，该需求的结果是对用户设备（UE）和端到端（E2E）通信网络的功耗的扩增[4]。因此，每年的售价为2000万美元，因为将智能手机插入的时间比保持全额充电的时间长于必要的时间[5]。由于对视频服务的需求很高，因此与4G服务有关的研究有所增加，以提供高清（HD）视频呼叫，以更好的服务质量（QoS）。此外，受4G启发的5G为用户提供了全部高清（FHD）视频通话和可靠的通信服务[3]。最近的研究[6]证明了5G提供了改进的移动宽带（MBB），
电动电动电池的智能家居电源管理系统...
t desired charging time (h) ADC Analog-to-Digital Converter AP Access Point BLE Bluetooth Low Energy CR available battery capacity (kWh) CT total battery capacity (kWh) DBMS Database Management System DSM Demand-Side Management EV Electric Vehicle EVBC Electric Vehicle Battery Charger FC Fixed Current (charging method) GUI Graphical User Interface I2C Inter-Integrated Circuit I EA RMS value of the electrical appliances current (A) I EVBC RMS value of the EVBC current (A) I H RMS value of the total current consumed at home (A) I MAX RMS nominal value of the home circuit breaker current (A) IoT Internet of Things IP Internet Protocol ISM Industrial, Scientific and Medical ISP Internet Service Provider MAC Medium Access Control MQTT Message Queuing Telemetry Transport PHY physical layer PM Power Management PMS Power Management System QoS Quality of Service SPI Serial Peripheral Interface UART Universal异步接收器 - 传播器USB通用串行总线VC变量电流（充电方法）V C电池充电电压（V）WPAN无线个人区域网络
研究文章 简要回顾在软件定义网络中使用机器学习进行流量工程
本评论简要探讨了在软件定义网络 (SDN) 的流量工程 (TE) 中部署机器学习 (ML)。SDN 通过将控制平面与数据平面分离来改变传统的网络管理，为灵活和自适应的流量控制开辟了新的可能性。正如我们所展示的，SDN 中的 TE 可以通过更有效地利用资源、减少延迟和减少拥塞来优化网络性能——同时响应实时条件以保持高服务质量 (QoS)。然而，充分利用这些优势需要先进的算法和实时数据分析，这在计算上要求很高。TE 还依赖于拥有准确、最新的网络信息。同时，ML 通过与边缘计算、网络功能虚拟化 (NFV) 和物联网 (IoT) 等技术集成，使 SDN 更加有效。这种组合可以实现实时分析、快速决策、智能路由、负载平衡和更强大的安全性。然而，这些集成带来了可扩展性和互操作性方面的新挑战，这意味着我们需要在基础设施和专业知识方面进行大量投资。即使迄今为止取得了所有进展，但仍存在一些障碍。 其中包括扩展、保持强大的安全性以及实时做出瞬间决策的问题。 展望未来，未来的研究应集中在自主网络、节能的 ML 技术和混合 ML 解决方案上，旨在达到网络安全和性能的新高度。