XiaoMi-AI文件搜索系统
World File Search SystemQOS
优化收敛网络中的带宽分配...
摘要：对高速网络服务的需求和网络流量的不断发展导致了融合网络的普及，这些网络在单个基础架构上混合了各种服务。但是，由于应用程序要求和资源限制的种类繁多，因此很难确保这些网络中的服务质量（QoS）。用于分配带宽的常规方法经常是静态，反应性和效率低下的，这会导致网络性能不足。我们提供了一种独特的深度学习方法，以优化收敛网络中的带宽分配，以克服这一点。我们创建并使用三个深度学习模型：深Q网络（DQN），生成对抗网络（GAN）和一种基于LSTM的特殊DQN模型。我们使用广泛的数据集评估每个模型的性能。我们的结果表明，新型DQN模型在最小数据包丢失，准确性提高，延迟降低，吞吐量最大化，光谱效率优化，降低位错误率，降低位错误，公平性保证和有效的通道资源使用方面的性能优于其他模型。更好的服务质量是这些升级的结果，这也大大提高了上传和下载速度。我们的实证研究证明了我们的方法论在现实世界中的有用性，并为智能网络管理解决方案打开了大门，这些解决方案促进了更好的QoS，有效的带宽分配以及改善融合网络中的用户体验。
月球上的 3GPP 移动通信技术
• 支持移动时的高吞吐量 • 为不同类型的流量提供服务质量 (QoS) 规定，例如任务关键型语音与科学视频等。 • 在多路径环境中经过验证的技术 • 随着资产的增加而扩展能力 • 可与国际合作伙伴互操作 • 高效、负责任地使用频谱资源 • 利用地面商业进步实现可承受性 未来的 PNT 和 Sidelink/V2X 功能备受关注。 未来的月球中继可以使用非地面网络 (NTN) 来提供无处不在的月球通信
都灵理工学院机构库
无线和移动通信技术的进步促进了移动医疗 (m-health) 系统的发展，以寻找获取、处理、传输和保护医疗数据的新方法。移动医疗系统提供了应对日益增多的需要持续监测的老年人和慢性病患者所需的可扩展性。然而，设计和运行带有体域传感器网络 (BASN) 的此类系统面临双重挑战。首先，传感器节点的能量、计算和存储资源有限。其次，需要保证应用级服务质量 (QoS)。在本文中，我们整合了无线网络组件和应用层特性，为移动医疗系统提供可持续、节能和高质量的服务。特别是，我们提出了一种能量成本扭曲 (ECD) 解决方案，它利用网络内处理和医疗数据自适应的优势来优化传输能耗和使用网络服务的成本。此外，我们提出了一种分布式跨层解决方案，适用于网络规模可变的异构无线移动医疗系统。我们的方案利用拉格朗日对偶理论，在能源消耗、网络成本和生命体征失真之间找到有效的平衡，以实现对延迟敏感的医疗数据传输。仿真结果表明，与基于均等带宽分配的解决方案相比，所提出的方案实现了能源效率和 QoS 要求之间的最佳平衡，同时在目标函数（即 ECD 效用函数）中节省了 15%。
Petri 网：应用 - CIn UFPE
X GSPN 在局域计算机网络建模和评估中的应用 Masahiro Tsunoyama* 和 Hiroei Imai ** * 新潟工业大学信息与电子工程系 1719 Fujihashi, Kashiwazaki 945-1195, JAPAN 电子邮件：mtuno@iee.niit.ac.jp ** 新潟大学大学评估中心，8050 Ikarashi-2, Niigata-shi, Niigata 950-2181, JAPAN 电子邮件：himai@adm.niigata-u.ac.jp 1.简介 通过计算机网络连接的多媒体系统广泛应用于电信、远程教育和视频点播等应用领域（Nerjes 等，1997；Kornkevn & Lilleberg，2002；Shahraray 等， 2005)。由于多媒体数据具有实时属性，必须在给定的期限内进行处理和交付，因此对此类系统的需求正在增加（Althun 等，2003；Gibson & David，2007）。为了保持所需的质量，已经提出了几种使用 QoS 技术的系统（Furguson & Huston，1998；Park，2006；Villalon 等，2005）。IEEE802.11e（IEEE 标准，2003）就是其中一种技术。它为 QoS 支持提供了两种功能：增强分布式信道访问 (EDCA) 和混合协调功能控制信道访问 (HCCA)。HCCA 使用集中控制并保证所需的传播延迟。另一方面，EDCA采用分布式控制，具有良好的可扩展性，并且所需的开销比HCCA要小，但无法保证所需的传播延迟。为了评估使用QoS的多媒体系统的可靠性，例如支持EDCA的IEEE802.11e，必须定量评估传播延迟及其标准偏差（抖动）（Claypool & Tanner，1999；Fan et al.，2006；Gibson & David，2007；Park，2006）。已经提出了几种评估方法，例如排队网络（Ahmad 等，2007；Cheng & Wu，2005）、随机过程模型（German，2000；Nerjes 等，1997）和模拟模型（Adachi 等，1998；Bin 等，2007；Grinnemo & Brunstrom，2002）。但是，这些方法存在几个问题。排队网络和随机过程模型是分析模型，不需要很长时间进行计算。但是，很难对给定的系统进行建模，因为模型中的状态数量会随着系统规模的增加而呈指数增长，尤其是当系统庞大而复杂时。虽然仿真模型用于评估系统，但它们需要很长时间才能获得有关标准偏差（抖动）的统计数据。本章提出了一种使用广义随机 Petri 网和标记任务方法评估系统的方法
在MCC
关键任务交流（MCC）是5G中的主要目标之一，它可以利用多个设备对设备（D2D）连接来增强关键任务交流的可靠性。在MCC中，D2D用户可以重复使用没有基站（BS）的蜂窝用户的非正交无线资源。同时，D2D用户将对蜂窝用户产生共同通道干扰，因此会影响其服务质量（QoS）。为了全面改善用户体验，我们提出了一种新颖的方法，该方法涵盖了资源分配和功率控制以及深度加强学习（DRL）。在本文中，精心设计了多个程序，以帮助制定我们的建议。作为起动器，将建模具有多个D2D对和蜂窝用户的场景；然后分析与资源分配和权力控制有关的问题，以及我们优化目标的制定；最后，将创建基于频谱分配策略的DRL方法，这可以确保D2D用户获得足够的QoS改进资源。使用提供的资源数据，D2D用户通过与周围环境进行交互来捕获的资源数据可以帮助D2D用户自主选择可用的通道和功率，以最大程度地提高系统容量和频谱效率，同时最大程度地减少对蜂窝用户的干扰。实验结果表明，我们的学习方法表现良好，可显着改善资源分配和功率控制。©2020作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
fogros2-ft：容错的云机器人
摘要 - 云机器人技术使机器人能够将复杂的计算任务卸载到云服务器以进行性能和易于管理。但是，云计算可能是昂贵的，云服务可能会偶尔遭受停机时间，并且机器人和云之间的连接可能是网络服务质量（QoS）的变化。我们通过引入多云扩展名来自动复制独立的无状态机器人服务，将请求路由到这些副本，并指导第一响应回复，以减轻这些问题，以减轻这些问题。随着复制，即使云服务提供商降低或QoS较低，机器人仍然可以从云计算中受益。此外，许多云计算提供商提供了低成本的“点”计算实例，这些实例可能会无法预测。通常，这些低成本实例不适合云机器人技术，但是Fogros2-ft的容错性质可以可靠地使用它们。我们在模拟（视觉对象检测，语义分割，运动计划）和1个物理机器人实验（Scan-Pick-Pick-Pick-and-place）中，在3个云机器人方案中演示了FogroS2-FT的容错能力。在相同的硬件规范上运行，Fogros2-ft实现运动计划，最高2.2倍的成本降低，并在99％（P99）长尾潜伏期上降低了5.53倍。fogros2-ft在网络放缓和资源争议下，对象检测和语义分割的P99长尾延迟分别减少了2.0倍和2.1倍。视频和代码可在https://sites.google.com/view/fogros2-ft上找到。
研究PKI身份验证的安全效应，在汽车系统中
摘要：我们的研究分析了与某些无线通信功能有关的基于认证的公共密钥基础架构（PKI）的安全效应。在基于无线通信的汽车功能的情况下，本文的第一部分侧重于量化服务质量（QOS）参数的安全效应。基于此概念，本文讨论了两种情况：在第一种情况下，在通信过程中没有应用身份验证过程，在第二种情况下，通信是通过PKI身份验证确保的。这个概念使我们能够评估由与身份验证过程相关的其他计算需求引起的安全开销的安全效应。考虑到我们的研究结果，就可以在操作情况下定义要求和预期条件。
红色帽子企业Linux 7安全指南
计算机安全性是一个一般术语，涵盖了广泛的计算和信息处理。依靠计算机系统和网络进行日常业务交易并访问关键信息的行业将其数据视为其整体资产的重要组成部分。几个任期和指标已进入我们的日常业务词汇，例如总拥有成本（TCO），投资回报率（ROI）和服务质量（QoS）。使用这些指标，行业可以将数据完整性和高可用性（HA）等方面计算为计划和过程管理成本的一部分。在某些行业（例如电子商务）中，数据的可用性和可信度可能意味着成功与失败之间的差异。
Mavenir 的人工智能 (AI) 和分析解决方案组合包括云原生、基于标准且具有资源高效架构的产品，并使用高级算法来解决网络运营商面临的实际问题。在整个网络中，Mavenir 的分析工具套件可帮助运营商整理和可视化网络性能、故障、资源利用率、事件和其他见解，以及近乎实时地进行预测性网络规划和优化，以实现网络自动化。
近实时 RAN 智能控制器 (Near-RT RIC) 通过实施由 Non-RT RIC 派生和分发的策略来补充 Non-RT RIC。Mavenir 的 Near-RT RIC 使用专利技术来唯一地识别用户设备 (UE)，以便进行性能跟踪和控制，同时使用基于标准的 A1 和 E2 接口程序，以每个服务/UE 级别粒度进行操作。它在几毫秒的时间内与 RAN 进行交互，并且能够直接触发切换、载波聚合和双连接等操作。Near-RT RIC 可以调整分布式单元 (DU) 中的调度器参数，以满足 Non-RT RIC 设定的 QoS 目标。