Resumen

La literatura de investigación reciente muestra resultados prometedores mediante enfoques basados en redes neuronales convolucionales (CNN) para la estimación de la matriz de tráfico de redes en la nube utilizando diferentes arquitecturas. Aunque convencionalmente, los enfoques basados en redes neuronales convolucionales ofrecen una estimación superior; sin embargo, estos se basan en suposiciones de la disponibilidad de un conjunto de datos de entrenamiento grande que sea completamente preciso y no disperso. En el mundo real, ambas suposiciones son problemáticas, ya que el tamaño de los datos de entrenamiento puede ser limitado, y también es propenso a la falta (o incompletitud) de mediciones, así como a posibles errores de medición. De manera similar, los conjuntos de datos de entrenamiento en 2-D derivados de la topología de red pueden ser dispersos. Investigamos estos desafíos y desarrollamos una arquitectura novedosa que puede hacer frente a estos desafíos y ofrecer un rendimiento superior. Nuestro enfoque muestra resultados prometedores para la estimación de la matriz de tráfico utilizando

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Literatura de investigación; Red neuronal convolucional; Matriz de tráfico; Redes en la nube; Conjunto de datos de entrenamiento; Estimación
• Keywords:Research literature; Convolutional neural network; Traffic matrix; Cloud networks; Training dataset; Estimation