|
Telekommunikatsiya tarmoqlarida QoE va QoSni ta’minlash masalalari
|
| bet | 1/5 | | Sana | 20.05.2024 | | Hajmi | 372,19 Kb. | | #244789 |
Bog'liq Diplom ishi 1- BOB 1 reja
Telekommunikatsiya tarmoqlarida QoE va QoSni ta’minlash masalalari.
1.1. Telekommunikatsiya tarmoqlarida QoSni ta’minlash xususiyatlari va zamonaviy holati.
Hozirgi vaqtda mobil aloqa provayderlari foydalanuvchi tajribasini xizmat sifatining ishonchli ko'rsatkichi sifatida qabul qiladi. Xizmat sifati (QoS) omillari to'plamini hisobga olgan holda, maqsad o'rtacha fikr bahosi (MOS) bo'yicha o'lchanadigan Tajriba Sifatini (QoE) bashorat qilishdir. Garchi bu muammoga katta e'tibor qaratilayotgan bo'lsa-da, xizmat sifati bo'yicha foydalanuvchi kutganlarini qondirish uchun samarali echimlarni topish uchun qo'shimcha tadqiqotlarni talab qiladigan ba'zi muammolar mavjud. Ushbu mavzudagi asosiy muammo har bir omilning QoS/QoE modeliga qo'shgan hissasini tahlil qilishdir. Ushbu ishda biz mashinani o'rganish yondashuvidan foydalangan holda video va veb-ga asoslangan xizmatlarda QoS va QoE o'rtasidagi xaritalashni o'rganamiz. Shu maqsadda biz uyali uzatish tarmoqlarining turli stsenariylariga taqlid qilish uchun laboratoriya sinovi metodologiyasini ishlab chiqamiz. Keyin biz bashoratli modelni yaratish va tegishli QoS omillarini aniqlash muammosini hal qilamiz. Natijalar shuni ko'rsatadiki, tarmoqli kengligi foydalanuvchining xizmat sifatini idrok etishini tahlil qilishda asosiy omil hisoblanadi.
1 . Kirish
So'nggi yillarda, boshqa omillar qatorida, telekommunikatsiya va tarmoq texnologiyalarining rivojlanishi tufayli simsiz ulanish tarmoqlari bo'yicha xizmatlarning eksponentsial o'sishi kuzatildi. Ushbu yaxshilanishlarga qaramay, mobil qurilmalar va ilovalarning doimiy ravishda o'sib borishi va umumiy trafik talabining portlashi qoniqarli simsiz xizmatlarni taqdim etishda yangi muammolarni keltirib chiqardi.
Xizmat sifatiga mobil qurilmaning xususiyatlari, tarmoq unumdorligi, turli xil kirish texnologiyalarini joriy etish va h.k. kabi bir qancha omillar ta'sir qiladi. Shu nuqtai nazardan xizmat ko'rsatish sifati (QoS) tushunchasi paydo bo'ladi. xizmat sifatini baholash uchun ob'ektiv ko'rsatkichlar. QoS xizmatning faqat texnik jihatlarini ko'rib chiqsa-da, hozirda u etarli emas, chunki ma'lum QoS darajasi ikki xil foydalanuvchi uchun bir xil qabul qilingan sifat darajasini kafolatlamasligi mumkin. Shuning uchun oxirgi foydalanuvchining xizmat tajribasini kiritish kerak. Tajriba sifati tushunchasi (QoE) telekommunikatsiya xizmatlari sifatini baholashda oxirgi foydalanuvchilarning sub'ektiv idrokini jalb qilish niyatida paydo bo'ldi. Shuni ta'kidlash kerakki, QoSni optimallashtirish foydalanuvchilarning qoniqish darajasini yuqori darajada ushlab turishga va shuning uchun QoEni yaxshilashga yordam beradi .
QoE baholash adabiyotda keng o'rganilgan. Foydalanuvchi idrokini baholashning turli yondashuvlarini asosan sub'ektiv , ob'ektiv va gibrid deb tasniflash mumkin . Subyektiv baholash uchun inson kuzatuvchilari qimmat va vaqt talab qiluvchi xizmatning umumiy sifatini baholashni talab qiladi. Boshqa tomondan, ob'ektiv baholash tegishli ma'lumotlarni to'plash uchun algoritmlar yoki matematik modellardan foydalanadi. Nihoyat, gibrid yondashuv bunday usullarni birlashtirib, ham sub'ektiv, ham ob'ektiv usullarning cheklovlarini engib o'tishga harakat qiladi.
QoS/QoE modellashtirishda o'rtacha fikr bahosi (MOS) eng ko'p qo'llaniladigan o'lchovdir. MOS uchun Xalqaro elektraloqa ittifoqi (ITU) P.1203 modelidan gacha bo'lgan ballni belgilaydi.1uchun5. Muammoning tartibli xususiyatiga qaramay, odatda an'anaviy tasniflash muammosi sifatida ko'rib chiqiladi . Aniqrogʻi, video va veb-asoslangan xizmat QoS/QoE modellashtirishda biz Vektor mashinasini qoʻllab-quvvatlash , Qaror daraxti kabi mashinani oʻrganish usullaridan foydalanadigan baʼzi ishlarni topishimiz mumkin. , sodda Bayes , Neyron tarmoqlari , Chuqur neyron tarmoqlari va boshqalar. Ordinal yondashuv, aksincha, nisbatan kam oʻrganilgan. Buning ba'zi sabablari quyidagi qiyinchiliklarni o'z ichiga olishi mumkin: (i) taklifni kontekstda joylashtirish uchun mos ko'rsatkichdan foydalanish, yuqori nomutanosiblik darajasi bilan shug'ullanish va ma'lumotlarni tartiblashdan to'g'ri foydalanish . Ushbu yondashuv doirasida biz Ordinal Logistic Regression (OLR) ni videoxizmatlarga , real vaqt rejimidagi multimedia ilovalariga va audiovizual aloqaga tatbiq etadigan ishlarni topishimiz mumkin .
QoS/QoE modellashtirishda juda qiyin masala ko'rsatkichlar to'plamini tanlashdir. Shu sababli, XEI ba'zi standartlarni aniqlash uchun bir nechta texnik hisobotlarni yozdi. Masalan, video oqim xizmati uchun ITU-T G.1071 QoE o'lchovlarini hisoblash uchun ba'zi tavsiyalarni taqdim etadi. ITU-T P.1201.1 past aniqlikdagi video xizmatlarining ishlashi va QoE ni nazorat qilish modelini belgilaydi. Shuning uchun, eng mos xususiyatlarni tanlash xizmat turi, texnologiya va maqsadlar kabi ko'plab omillarga bog'liq.
Shu nuqtai nazardan, xususiyat muhandislik texnikasidan foydalanish yanada samarali QoS/QoE modellari uchun xususiyatlarning bir qismini aniqlash uchun foydali bo'lishi mumkin Mustafo va boshqalar. paketlarning yetib kelish vaqti va ularning tegishli hajmiga asoslangan shifrlangan tarmoq trafigidan xususiyatlarni ajratib oling. Yue va boshqalar Deep Learning yordamida omillarni ajratib olish uchun xususiyat muhandisligini qo'llang . Ushbu yondashuv doirasida xususiyatlarni tanlash algoritmlari yaxshiroq QoS/QoE modellariga olib kelishi mumkin, chunki bu modelning murakkabligini kamaytirishga va shuning uchun ma'lum bir xizmat uchun modeldagi har bir ko'rsatkichning og'irligi haqida tushunchaga ega bo'lishga imkon beradi. Bundan tashqari, bunday usullar nafaqat yuqori prognozli omillar to'plamini topishga, balki sinf haqida har bir xususiyatga ega bo'lgan ma'lumotlar miqdorini o'rganishga imkon beradi. So'nggi paytlarda jamiyat bu tahlilga e'tibor qarata boshladi. Masalan, Dimopulos va boshqalar xususiyatlarning kichik toʻplamlarini baholash uchun Korrelyatsiyaga asoslangan xususiyat tanlash bilan birgalikda Best First strategiyasini qoʻllang. Hora va boshqalar. bashorat qilish xatosini minimallashtirish uchun bosqichma-bosqich regressiya bilan xususiyat tanlashni amalga oshiring.
Dubin va boshqalar. Xususiyatlarni tanlashning uch xil usulini qo'llang: Rekursiv xususiyatni yo'q qilish (RFE), statistik testlar bilan birgalikda bir o'zgaruvchan usul va qarorlar daraxti (bu xususiyatni tanlash usuli sifatida ko'rish mumkin). Laiche va boshqalar samarali bashoratli modelni yaratish uchun xususiyatlarni tanlash. Buning uchun ular bir o'zgaruvchan SelectKBest yondashuvidan foydalanadilar. Shuningdek, ular har bir xususiyat necha marta tanlanganiga qarab xususiyat ahamiyati haqida ma'lumot beradi Chen va boshqalar. avtomatik funktsiyalarning o'zaro ta'siridan foydalangan holda kontekstdan xabardor QoS bashoratchisini yaratishni taklif qiling.
Umuman olganda, sub'ektiv testlarni o'tkazish juda ko'p vaqt talab qilishi va qimmatga tushishi mumkin va shuning uchun namuna hajmi ko'pincha juda kichikdir. Bu muammo umumlashtirishning yo'qligi bilan bashoratli modellarning paydo bo'lishiga olib kelishi mumkin. Ushbu muammoni bartaraf etish uchun faol ta'limdan foydalanish ta'lim ma'lumotlaridan kichik va informatsion misollar to'plamini tanlash orqali modelning ishlashini yaxshilash uchun foydali bo'lishi mumkin. Zhan va boshqalarga ko'ra , ikkita asosiy toifa - oqimga asoslangan faol o'rganish va hovuzga asoslangan faol o'rganish. Birinchi yondashuvda namunalar ketma-ket uzluksiz oqimlar ko'rinishida keladi, keyinroq esa namunalar etiketlanmagan ma'lumotlar to'plamidan tanlanadi, faol o'rganishni Gauss regressiyasi bilan birlashtirish va regressiyaning bashoratli dispersiyadan foydalangan holda ma'lumotlar noaniqligini o'lchashni taklif qiladi. Boshqa bir ishda, Zhao va boshqalar faol o'rganishni yarim nazorat ostida o'rganishni birlashtirgan gibrid yondashuvni taklif qiladi. U chuqur o'rganish doirasida mos ravishda kuchli etiketkalar va zaif yorliqlar uchun yuqori noaniqlik va past noaniqliklarga ega informatsion namunalarni tanlaydi.
Faol o'rganish QoS/QoE modellashtirish uchun javob beradi. Masalan, Shahrakiy va boshqalar. QoS ta'minoti kabi bir nechta tarmoqni boshqarish operatsiyalari uchun tarmoq trafigini tasniflashda faol o'rganishning qo'llanilishini o'rganish. So'nggi ishda Liu va boshqalar. etiketkalash jarayonini tezlashtirish va yakuniy modellarni yaxshilash uchun gibrid ma'lumot va faol o'rganishni birlashtirgan video ma'lumotlarida QoE ni o'lchash uchun samarali tizimni taklif qiladi. Bárcena va boshqalar 5G/6G tarmoqlari maʼlumotlaridan foydalangan holda QoE prognozlash yondashuvini oʻrganing. Shu maqsadda ular faol federativ ta'limdan foydalanishni taklif qilishadi. Ushbu yondashuvda o'rganish modeli shaxsiy xom ashyoni oshkor qilmasdan hamkorlikda quriladi va eng informatsion namunani tanlash uchun har bir tomonda faol o'rganish qo'llaniladi. Ochiq muammolar va tarmoq trafik ma'lumotlari bo'yicha kelajakdagi yo'nalishlarni topish mumkin .
Shuni ta'kidlash kerakki, ushbu mavzuga qiziqish ortib borayotganiga qaramay, QoS/QoE munosabatlari haqida tushunchaga ega bo'lish uchun ko'proq tadqiqotlar talab etiladi. Ushbu ishda biz laboratoriya sinovi ob'ektiv tarmoq parametrlarini aniqlash uchun ITU-T G.1011 modeli asosida sub'ektiv va ob'ektiv parametrlarni olish uchun gibrid arxitekturani ishlab chiqamiz . Shuningdek, biz ushbu modelni video va veb-brauzer xizmatlari bilan bog'liq ob'ektiv omillarni va mobil qurilmadagi parametrlar holatini o'z ichiga olgan holda kengaytirdik. MOSning tartibli tabiati tufayli biz video va veb-ga asoslangan xizmatlar uchun QoS/QoE modellashtirishga tartibli yondashuvni qo'llaymiz. Tanlangan texnikalar tartiblangan logistik regressiya (OLR) , Rekursiv boʻlimlar (RPART) va Ordinal Random Forest (ORF) . Bunday usullar turli xil ilovalarda yaxshi samaradorlikni ko'rsatgan uchta mashhur tasniflagichga asoslanganligi sababli tanlangan: mos ravishda Logistic Regression , Classification and Regression Trees (CART) va Random Forest .
Shuningdek, biz prognozli modellarning asosiy omillarini tezkor korrelyatsiyaga asoslangan filtr (FCBF), tarqalish qidiruvi (SS), sinfga asoslangan aloqadorlik, ortiqchalik, to'ldiruvchilik va xususiyatlarni tanlash strategiyalarini qo'llash orqali tahlil qilamiz. O'zaro ta'sir (R2CI) va FAST klasterga asoslangan xususiyatlarni tanlash algoritmi (FAST). Tajribalarni amalga oshirish uchun biz turli stsenariylarga taqlid qilish uchun mobil ma'lumotlarni uzatish platformasini ishlab chiqdik. Va nihoyat, biz faol o'rganishning prognozli modellarning ishlashiga ta'sirini tahlil qilamiz. Shunday qilib, biz ushbu maqolaning hissalarini quyidagicha umumlashtirishimiz mumkin:
Birinchidan, biz uyali uzatish tarmoqlarining turli stsenariylarini taqlid qiluvchi foydalanuvchilardan ma'lumotlarni to'plash uchun gibrid laboratoriya sinovi metodologiyasini ishlab chiqamiz.
Keyinchalik, biz tartibli yondashuvni qo'llagan holda video va veb-xizmatlarda QoS/QoE modelini o'rganamiz.
Keyin biz QoS/QoE modeliga eng ko'p hissa qo'shadigan asosiy omillarni tahlil qilamiz.
Va nihoyat, biz kichik va informatsion namunani tanlashning faol o'rganishdan foydalangan holda tasniflash modellarining ishlashiga ta'sirini o'rganamiz.
Qog'ozning qolgan qismi quyidagicha tashkil etilgan. 2 -bo'lim QoS/QoE modellarini induktsiya qilish uchun ishlatiladigan mashinani o'rganish usullarini taqdim etadi. Keyin, 3- bo'limda metodologiya va ma'lumotlarni to'plash batafsil tavsiflanadi. Empirik tadqiqot va xulosalar va kelajakdagi ishlar mos ravishda 4- bo'lim va 5- bo'limda keltirilgan .
Ushbu bo'limda biz ushbu ishda ishlatiladigan mashinani o'rganish algoritmlari tushunchalari bilan tanishamiz. Biz tartibli tasniflash yondashuvini joriy qilishni boshlaymiz va undan keyin xususiyatlarni tanlash strategiyasini tavsiflaymiz.
|
| |
