XiaoMi-AI文件搜索系统
World File Search System网络性能
通过AI优化网络性能和服务质量...
采用系统的搜索策略来检索相关研究。搜索策略是使用关键字和布尔操作员的组合来制定的，以完善和集中搜索结果。关键条款包括“人工智能”，“网络性能”，“服务质量”，“电信”，“机器学习”，“神经网络”和“预测分析”。布尔运算符，例如和或，而不是被用来有效地结合这些术语并排除无关的研究。例如，搜索字符串可能包括“人工智能和网络性能”或“机器学习或神经网络和电信”等组合。这种方法可确保搜索捕获广泛的研究，同时保持与评论的目标相关。
用于空间物体观察和测量的地面光学传感器网络性能指标
地球轨道上的空间物体总数估计超过 20 万个，而目前不断跟踪和编目的空间物体数量约为 2 万个。在我们这个时代，太空交通量每年都在增加，因此可能发生碰撞的风险也随之增加，全球都需要控制近地空间环境，特别是低地球轨道。这是每个北约国家的共同问题，可以通过各国之间的全球合作来解决。此外，与轨道物体测量位置相关的不确定性是影响性能、准确性和及时性的主要因素之一。因此，旨在协调大量传感器是该领域最重要的方面之一。本文提出了一种算法来估计全球分布的光学资产网络（望远镜和探测器）的性能，该网络使用现成的望远镜组件，部署在不同位置的多个站点。在探测尺寸小至 3 厘米的太空物体的情况下，定量性能指标计算为网络在给定时间窗口内可见的总分类碎片比例（在我们的例子中，已考虑 24 小时）。所提出的算法将所有 NORAD 目录、DISCOS 目录提供的所有物体物理数据以及所有光学和大气数据作为输入。然后，它会传播空间物体群，以获得它们在选定时间窗口内的位置，过滤掉所有不在地面站网络视线范围内足够时间的物体，以保证可行的轨道确定，并对满足所有先前条件的物体估计光学资产可实现的信噪比。这些值直接转化为检测概率，从而为给定的地面传感器网络配置提供性能指数，可用作评估不同架构时要优化的目标函数。
网络性能分析的正式方法
对网络性能的抽象准确和彻底的分析具有挑战性。网络仿真和仿真只能涵盖网络可以体验到的连续发展的工作负载集的子集，为未探索的角案例和错误留出空间，这些案例和错误可能会导致实时流量的次优性能。排队理论和网络计算的技术可以在性能指标上提供严格的界限，但通常需要网络组件的行为，而流量的到达模式则可以通过简洁且行为良好的数学功能近似。因此，它们不立即适用于新兴工作负载以及用于处理它们的新算法和协议。我们探讨了一种不同的方法：使用正式方法来分析网络性能。我们表明，可以准确地对网络组件及其逻辑上的队列进行建模，并使用程序合成中的技术来自动生成简洁的可解释的工作负载，作为有关性能指标的查询的答案。我们的方法在分析网络性能的现有工具的空间中提供了一个新的观点：它比模拟和典范更详尽，并且可以轻松地应用于一阶逻辑中可表达的算法和协议。我们通过分析数据包调度算法和小叶子网络并产生可能导致吞吐量，公平性，饥饿和延迟问题来证明方法的有效性。
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。