دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات پژوهشی فناوری اطلاعات و ارتباطات ICTدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات ژورنالی فناوری اطلاعات و ارتباطات ICTدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات سال 2023دانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI فناوری اطلاعات و ارتباطات ICT به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مخابرات سیار به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI نسل پنجم شبکه تلفن همراه 5G به زبان انگلیسیدانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیدانلود رایگان مقاله ISI یادگیری ماشین به زبان انگلیسیمقالات فناوری اطلاعات با ایمپکت فاکتور بالا به زبان انگلیسیمقالات فناوری اطلاعات دارای متغیر به زبان انگلیسیمقالات فناوری اطلاعات و ارتباطات با ایمپکت فاکتور بالا به زبان انگلیسیمقالات فناوری اطلاعات و ارتباطات دارای متغیر به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر دارای متغیر به زبان انگلیسی

مقاله انگلیسی رایگان در مورد یادگیری ماشین در ناهنجاری ۵G – الزویر ۲۰۲۳

 

مشخصات مقاله
ترجمه عنوان مقاله یادگیری ماشین کاربردی در تشخیص ناهنجاری معماری O-RAN نسل پنجم شبکه تلفن همراه
عنوان انگلیسی مقاله Machine Learning Applied to Anomaly Detection on 5G O-RAN Architecture
نشریه الزویر
انتشار مقاله سال ۲۰۲۳
تعداد صفحات مقاله انگلیسی ۱۳ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۲٫۵۶۲ در سال ۲۰۲۲
شاخص H_index ۱۰۹ در سال ۲۰۲۳
شاخص SJR ۰٫۵۰۷ در سال ۲۰۲۲
شناسه ISSN ۱۸۷۷-۰۵۰۹
فرضیه ندارد
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط فناوری اطلاعات و ارتباطات – کامپیوتر – فناوری اطلاعات
گرایش های مرتبط مخابرات سیار – هوش مصنوعی – شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله  Procedia Computer Science – مجموعه علوم کامپیوتر
دانشگاه Federal University of Rio Grande do Norte, Brazil
کلمات کلیدی شاخص کلیدی عملکرد، تشخیص ناهنجاری، یادگیری ماشین، O-RAN
کلمات کلیدی انگلیسی KPIs; anomaly detection; machine learning; O-RAN
شناسه دیجیتال – doi
https://doi.org/10.1016/j.procs.2023.08.146
لینک سایت مرجع https://www.sciencedirect.com/science/article/pii/S1877050923009110
کد محصول e17592
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱ Introduction
۲ Dataset
۳ Results
۴ Conclusion
Acknowledgements
References

بخشی از متن مقاله:

Abstract

This article presents a study with feasibility and performance analysis of machine learning (ML) techniques using supervised techniques for anomaly detection problems in a 5G communication network. The proposed ML models (Multilayer Perceptron, Decision Tree, and Support Vector Machine) were used to classify data into anomaly or non-anomaly based on two 5G Open Radio Access Network (O-RAN) datasets with various key performance indicators (KPIs). Furthermore, we propose a strategy that devotes to labeling anomalous situations, leveraging the t-Distributed Stochastic Neighbor Embedding (tSNE) technique atop datasets enclosing multiple KPIs. The results were significant, with an accuracy above 90% for all use cases considered.

IntroductionTo support new 5G cellular network requirements (e.g., data rates exceeding 10 Gbps, network latency under 1 ms, capacity expansion by a factor of 1,000, and energy efficiency gains), vendors have begun investigating new radio access network (RAN) architectures [17, 13, 25, 5, 23].

Open Radio Access Network (O-RAN), suggested by the O-RAN Alliance [15], stands as a promising radio technology that has gained worldwide acceptance. O-RAN is a worldwide community of operators, manufacturers,technology that has gained worldwide acceptance. O-RAN is a worldwide community of operators, manufacturers, and academic institutes [18, 1]. The vision is to rewrite the RAN industry towards establishing an open, adaptable, and intelligent RAN [15]. Artificial intelligence (AI) in machine learning (ML) will play a crucial role in the 5G networkwith particular emphasis on the O-RAN. For example, ML use can drive more efficient enhancements in 5G network planning, automation of network operations (e.g., provisioning, optimization, and fault prediction), network slicing, service quality prediction, and other applications and services [8, 3, 14, 20].

Conclusion

In this work, we present results and analyses of three ML/AI supervised approaches applied to anomaly detection: Multilayer Perceptron, Decision Tree, and Support Vector Machine. The tests were conducted on an emulation testbed concerning a network environment dataset. The unsupervised ML/AI strategy, based on t-Distributed Stochastic Neighbor Embedding (tSNE), was used to create data labels. Results associated with the accuracy of the ML/AI algorithms were obtained, suggesting an excellent performance with an accuracy of above 90% for all cases.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا