SE520281C2 - Metod och anordningar för att simulera kommunikationssystem - Google Patents
Metod och anordningar för att simulera kommunikationssystemInfo
- Publication number
- SE520281C2 SE520281C2 SE9804513A SE9804513A SE520281C2 SE 520281 C2 SE520281 C2 SE 520281C2 SE 9804513 A SE9804513 A SE 9804513A SE 9804513 A SE9804513 A SE 9804513A SE 520281 C2 SE520281 C2 SE 520281C2
- Authority
- SE
- Sweden
- Prior art keywords
- bias
- simulation
- ann
- parameter vectors
- optimal
- Prior art date
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G06N3/0472—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/149—Network analysis or design for prediction of maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Description
15 20 25 30 35 520 2s1¿:¿;;;¿ç- 2 faktiska viktighetssamplingen själv. Fastän nettoresultatet är mycket snabbare än vanlig simulering, består viktighets- samplingens svårigheter i att få fram goda biasvärden. Då ett kommunikationssystem (eller element) simuleras, modelleras trafikkällor och andra slumpmässiga ingångsvärden för system- et med hjälp av lämpligt valda stokastiska processer. Para- metrarna för sådana stokastiska processer sätts så att pro- cesserna efterliknar det önskade uppträdandet för motsvarande (verkliga eller antagna) trafikkällor så bra som möjligt. I vedertagen simulering utförs systemmodellen med de anpassade processerna tills tillräcklig mängd statistiskt data har in- samlats för att skatta prestandaparametrar med önskvärd nog- grannhet. Den nödvändiga simuleringstiden för att uppnå denna noggrannhet kan dock bli omöjligt lång då den skattade para- metern innefattar några sällan förekommande händelser.
(IS), de anpassade stokastiska processerna artificiellt så att ti- I simulering som använder viktighetssampling, förändras den mellan sällan förekommande händelser kan minskas väsent- ligt. vänds För att kompensera för ingångsvärdenas förändring an- lämpliga statistiska justeringar av simuleringsresultat under och efter simuleringen på sådant sätt att de resulte- rande skattningarna förblir statistiskt korrekta (utan bias).
I dagsläget kvarstår ett avgörande problem med IS, och det är hur processerna, vilka utgör ingångsvärde, skall förändras, så att tillräcklig hastighetsökning uppnås, vilket därmed minskar simuleringstiden från "omöjligt lång" till "möjligt".
Simuleringen får inte heller vara alltför kort, eftersom va- riansen då blir alltför stor för att på ett riktigt sätt skildra faktiska scenarion. Ett flertal vetenskapligt intres- santa angreppssätt finns beskrivna i litteraturen, men endast ett fåtal av dessa kan anses vara tillräckligt generella för att tas i beaktande för en praktisk realisering. De mest lo- vande angreppssätten baseras på vad som kallas ”parametrisk (fri övers. från Eng. övers. biasering" parametric biasing, anm.), där en systematisk förändring av samtliga inblandade 1309846 SELdoc/ZOOO-OB-BO 10 15 20 25 30 :- n. . . w f, v» .. . . -. 1 '_ *v ~ . , . .i . , .“_ 'l- v ~f - - . . _ _ _ (p. . 3 källor utförs enligt några funktioner med väldigt få (typiskt en eller två) nyckelparametrar, vilka även kallas biaspara- metrar. I ett sådant angreppssätt reduceras problemet med att hitta den optimala förändringen av indata till problemet att hitta de optimala värdena för biasparametrarna. Angreppssät- i M.
"Statistical Optimization of Dynamic Im- tet med parametrisk bias återfinns t.ex. Devetsikiotis och J.K. portance Sampling Parameters for Efficient Simulation of Com- IEEE/ACM Trans. 3, sid. 293-305, juni 1993. Ytterligare beskrivning av tekni- Townsend, munication Networks", Networking, vol. 1, nr kens ståndpunkt återfinns i Q. Wang och V.S. Frost, "Effici- ent Estimation of Cell Blocking Probability for ATM Systems", IEEE/ACM Trans. Networking, vol. 1, nr 2, sid. 230-235, 1993.
I M. Devetsikiotis artikel föreslås att en statistisk optime- att op- med ring baserad på korta repetitiva simuleringar används för söka efter de optimala biasparametrarna. När slutligen en timal inställning har hittats, körs en längre simulering inställda att alstra data för den slutgiltiga skattningen i syfte för att sammanhanget de optimalt viktighetssamplings-parametrarna få fram de s.k. "målparametrarna", dvs. de i önskade parametrarna.
För att erhålla en väsentligt minskad körtid för simuleringen då viktighetssampling används, måste anpassningen eller bia- sen hos underliggande sannolikhetsmått väljas noggrant. Att analytiskt eller numeriskt minimera simuleringsresultatets varians avseende biasparametrarna eller att hitta det optima- la exponentiella förändringsmåttet är endast möjligt under vissa förhållanden. Optimering av biasparametrarna kräver idag typiskt storleksordningen två gånger fler simulerings- cykler än den slutgiltiga körningen (med de optimala paramet- rarna) för att få fram nélskattningarna. Därför består den stora möjligheten att minska den totala tiden för en lyckad simulering av att minska tiden som används för optimering av biasparametrarna.
PO9846 SE.doC/2000-03-3O 10 15 20 25 520 281 Idag finns inga pålitliga och effektiva lösningar för detta problem.
Sammanfattning av uppfinningen Problemet som denna uppfinning söker lösa är därför inte att hitta vilka biasparametrar som skall användas, utan snarare hur ett effektivt biasschema med optimala biasparametrar kan hittas på ett mycket snabbare sätt än vad som hittills har gjorts och sedan använda dessa i den slutgiltiga simulering- en. Det skulle kunna beskrivas som ett snabbt sätt att mate- matiskt försöka få fram den korrekta förändringen av ingångs- parametrarna i syfte att därefter utföra en korrekt och lämp- lig simulering. Det är underförstått att dessa förändringar avsevärt skall minska tiden mellan sällan förekommande hän- delser.
Långsamma simuleringsmetoder påverkar i slutänden slutanvän- dare om inte kommunikationssystemet testas i varje aspekt på ett lämpligt sätt. När kunden kör systemet i realtid måste systemkomponenternas parametrar ha predikterats för att t.ex. garantera en viss kvalitet för olika typer av tjänster.
Vissa iakttagelser har gjorts vilka har motiverat uppfinning- En! 0 Optimering av biasparametrar kräver idag typiskt storleks- ordningen två gånger fler simuleringscykler än den slutgil- för att få tiga körningen (med de optimala parametrarna) fram målskattningarna.
~ Viktighetssampling accepterar en viss tolerans avseende bi- asparametrarna precision, dvs. de optimala parametrarnas närliggande omgivning duger praktiskt taget likaväl som op- timumpunkten själv.
PO9846 SE.doc/2000-03-3O l0 15 20 25 30 520 281 o På grund av ovanstående tolerans kan en funnen optimal bi- aspunkt för en given ingångskonfiguration, A, användas som en kvasioptimal biaspunkt för en annan ingångskonfigura- tion, B, förutsatt att A och B är "tillräckligt lika". Med andra ord, att om den optimala biaspunkten för konfigura- tionen A är känd och med kännedom att konfiguration B är väldigt lik A, kan man förkasta optimeringssteget, och så- ledes hoppa direkt till målskattningen.
Uppfinningens kärna och föreslagna lösning avser metoden och anordningarna för att simulera ett kommunikationssystenl med användande av viktighetssampling och använda ett artificiellt neuralt nätverk (Artificial Neural Network, ANN) för att på- skynda processen genom att "lära sig" sambandet mellan sys- temkonfigurationer och deras associerade optimala biaspunk- Ett sådant ANN, tillhandahålla kvasioptimala biaser för nya konfigurationer. Således under- ter. kan då det är tränat, lättar uppfinningen simuleringsprocessen genonl att påskynda den första delen av simuleringen, dvs. förberedelsen av de optimala biasvektorerna för en viss ingångsparameter-vektor.
Det vill säga, det tränade ANN:et förser den "slutgiltiga" IS-simulatorn med "ledtrådar" angående vilka biasvektorer som skall användas för givna ingångsparameter-vektorer.
En vanlig statistisk biasoptimerare används här för att träna ANN:et, och har efter träningen slutfört sitt uppdrag och är därefter redundant. Simuleringens andra del, dvs. den slut- giltiga skattningen av prestandaparametrar i viktighetssamp- lings-simulatorn påverkas ej av uppfinningen.
Följaktligen kommer detta neurala nätverk, såsom vilket väl- att i den konfigurerat och vältränat neuralt nätverk som helst, tillhandahålla en approximativ funktion som är "snäll" meningen att den generaliserar för att tillhandahålla en god mappning även för ingångssampel som den inte har "sett" under träning. Följaktligen, då ANN:et stöter på ett ingångssampel inte alltför avlägset från andra sampel i träningsuppsätt- P09846 SE.doc/2000-03-30 10 15 20 25 520 281 kommer ANN:et att ge en biasparameter som ligger ningen, tillräckligt nära den biasparameter som den statistiska bia- skulle tillhandahàllit. Det kan dock, när det väl en gång tränats, beräkna dessa biasvek- soptimeraren neurala nätverket torer många gånger snabbare än den statistiska biasoptimera- ren kan.
Kort ritningsbeskrivning Uppfinningens särdrag vilka anses äga nyhet finns specifikt presenterade i. de bifogade patentkraven. Uppfinningen själv förstås dock bäst, såväl vad gäller organisation och arbets- sätt som dess vidare mål och fördelar, med ledning av följan- de beskrivning med tillhörande figurer, där: - Eïg. l visar ett blockschema för hur uppfinningen fungerar enligt en föredragen utföringsform, - Fig. 2 visar ett blockschema för hur uppfinningen fungerar då den används i ett mer allmänt sammanhang, och - Fig. 3 visar ett blockschema för hur uppfinningen fungerar i ytterligare en utföringsform enligt vilken uppfinningen mycket väl kan användas.
Beskrivning av föredragna utföringsformer Pig. 1 sammanfattar konceptet. Möjliga trafikkällors egenska- per för systemet som skall analyseras genom simulering be- skrivs av ett fixt antal aggregerade statistiska parametrar samlade i en ”ingångsparametervektor”. Figuren visar både en träningsfas med heldragna linjer och en tillämpningsfas med streckade linjer, och i figuren ser vi ingångsparameter- vektorn inkommande från vänster mot systemet, vars funktions- sätt ytterligare skall beskrivas.
P09846 SE.d0C/2000-O3-3O 10 15 20 25 30 520 281 Enligt en föredragen utföringsfonn av uppfinningen, alstras en stor uppsättning av ovan nämnda ingàngsparametervektorer, även benämnda ”ingångssampel” enligt den artificiella neurala nätverksterminologin, av något godtyckligt alstringsorgan 1 antingen systematiskt eller slumpmässigt.
Deras motsvarande optimala biasvektorer beräknas genom att utföra en biasoptimering i_ en statistisk biasoptimerare 2.
Biasoptimering är en välkänd teknik för en fackman på området och här matas biasoptimeraren med ingångssamplen. Som ett ex- (eller en in- empel finns det i figuren ett ingàngssampel gångsparametervektor) 3. Efter bearbetning i biasoptimeraren 2 erhåller vi den optimala biasparametervektorn 4a. Denna op- timala vektor kan också definieras såsom ett ”utgångssampel”.
Sampelpar för in- och utdata, vilka utgör element i den s.k. träningsuppsättningen 5, matas in till ett artificiellt neu- ralt nätverk 6 (ANN) i en första fas benämnd träningsfas. Da- taflödet i träningsfasen är i fig. 1 framställt med heldragna linjer.
ANN:et 6 tränas sedan på så sätt under en viss tid med dessa träningsuppsättningar 5, med vilka det matas. Träningen syf- tar till att lära ANN:et att skapa en approximativ, bästa an- passad funktion, från ingångsampel med tillhörande utgångs- sampel genom att låta det se en stor träningsuppsättning, och ingångsparametervektorerna därigenom finna sambandet mellan och motsvarande optimala biasparametervektorer.
ANN:et kommer känna igen ett stort antal ingångskonfiguratio- ner, det kan dock aldrig garanteras att det kan känna igen 100% av alla möjliga konfigurationer. ANN:et kommer hur som helst vara kapabelt att känna igen ett tillräckligt och rim- ligt antal olika ingångskonfigurationer.
I den påföljande tillämpningsfasen, som här symboliseras med en streckad linje 7 och 10, ANN:et 6 via länken 7, och ANN-blocket tillhandahåller ett presenteras nya ingångssampel för PO9846 SE .dOC/2000-03-30 10 15 20 25 30 .» u. 1 | 1» w 1, 1 ~ =| . . v .z å; _ .I ». - . -- 1 F. . f--f -1 . , .. 1 . 2- = ,. . , . , -- fw », . »v ~.. ...Hf- . . . o v - g - . » v» . v Q i - v - . 1 n .. v. . .. . . v » utgångssampel 4b via länken 10 såsom en "föreslagen" (kvasi-) optimal biasvektor för den. givna ingångskonfigurationen. En sådan bias används sedan i den slutgiltiga simuleringen där de önskade s.k. målparameterskattningarna alstras. Den slut- giltiga IS-simuleringen illustreras här" av' block 8 och IS- simuleringens erhållna arbetsresultat illustrerat av pil 9 är således den slutgiltiga skattningen för prestandaparametrar- nä.
Ovan nämnda föredragna utföringsform som använder ett ANN, som efter träningsfasen i tillämpningsfasen fungerar såsom en väldigt snabb leverantör av optimala biasvektorer, utgör upp- finningens kärna.
Ifall vi befinner oss i tillämpningsfasen och använder ANN:et obekant finns det en möjlighet att koppla över till träningsfasen och och en konfiguration ingångsparametrar uppträder, låta biasoptimeraren 2 beräkna. det optimala biasvärdet och mata detta till IS-simulatorn 8 via länken ll. Detta händer endast då ingångskonfigurationen är av en avlägsen typ långt från vad ANN:et har sett i träningsuppsättningen, och följ- aktligen inte i det område som ANN:et har tränats att hante- fö..
En sådan underlig ingångskonfiguration kan t.ex. vara resul- tatet efter en uppgradering av utrustningen. En annan möjlig orsak kan vara att trafikegenskaperna har utvecklats till en annan blandning än vad som var fallet då ANN:et tränades. En möjlighet är då naturligtvis att träna ANN:et på nytt och an- vända det igen.
IS-simulatorblocket 8 kan tillämpningsfasen och trä- En enkel omkopplingskontakt 12 i användas för omkoppling mellan ningsfasen och vice versa.
Ovan beskrivna allmänna teknik används med fördel i en annan utföringsform med valmöjlighet att gå ännu längre och utvidga PO9846 SE.doC/2000-O3-3O 10 15 20 25 30 | « . . . . 1 ß användandet av ANN:et. Denna utföringsform, som visas i fig. 2, använder ANN:et för att skatta såväl biaser som prestan- damàtt och arbetssättet visas här endast med pil 20 som il- lustrerar skattat utdata i form av prestandaparametrar från ANN:et. ningsvariationer och paketförluster Prestandamått kan vara t.ex. fördröjning, fördröj- (där ett paket kan vara t.ex. en ATM-cell). Pil 21 visar att utdatasampel 9 från IS- simulatorn 8 läggs samman med träningsuppsättningen under träningsfasen, så att träningsuppsättningen består av trip- 4a och 9. trafiksituationer för vilka det har sett liknande fall, så letter av 3, ANN:et kan sedan användas för alla att simulatorn endast behöver användas för "nya" situationer.
Fig. 3 visar en tillämpning i vilken uppfinningen med fördel kan användas. I detta tillämpningsexempel analyserar vi pres- tanda hos trafik i förgrunden när denna passerar genom kopp- lingsanordningen 30. Trafiken analyseras under den "ständigt närvarande" bakgrundstrafiken som illustreras av alla övriga inkommande pilar. Avgörande prestandaegenskaper är t.ex. säl- lan uppträdande händelser eller förluster och fördröjning.
Först utvecklas en systemmodell som kan förstås av simula- torn. Ett antal trafikkällor, med "realistiska" statistiska egenskaper som skall användas som indata till simulatorn, presenteras. Dessa trafikkällor indelas i bakgrundstrafik och förgrundstrafik. Sedan utförs simulering för att skatta för- grundstrafikens prestanda under det att nätverket belastas med bakgrundstrafiken såsom visas j_ fig. 3. Viktighetssamp- lingens bias predikteras separat för både "förgrundstrafiken" och "bakgrundstrafiken", och det neurala nätverket tränas så- dvs. som beskrivits ovan, enligt själva kärnan hos uppfin- ningen.
ANN:ets struktur kan naturligtvis variera på många olika sätt i ovanstående nämnda utföringsformer.
PO9846 SE.d0C/2000-O3-3O
Claims (7)
1. Metod för att påskynda simulering av ett kommunikations- (IS), nämnda metod omfattar två steg, det första steget omfattar en system med användande av viktighetssampling varvid biasoptimering för att tillhandahålla optimalt inställda bi- (4a) tiskt eller slumpmässigt alstra ingångsparametervektorer (3), asparametervektorer för simuleringen genom att systema- beräkning av nämnda optimala biasparametervektorer (4a) för motsvarande ingångsparametervektorer (3), och i ett andra steg använda nämnda optimala biasparametervektorer såsom in- (8), skattningar av målparametrar vilken använder viktighets- (9), data till en IS-simulator sampling för att alstra kännetecknad av att det första steget vidare omfattar: - användandet av statistisk biasoptimering (2) för att beräk- (4a) na de optimala biasparametervektorerna för motsvarande (3), - träning av ett artificiellt neuralt nätverk ingångsparametervektorer (ANN) (6) i en första träningsfas genom att mata ANN:et med en tränings- (5) (3) med motsvarande biasparametervektorer (4a). uppsättning ingångsparametervektorer tillsammans beräknade optimala
2. Metod för att påskynda simulering av ett kommunikations- system enligt krav 1, kännetecknad av att det första steget vidare omfattar: - en tillämpningsfas som tillämpas efter nämnda träningsfas där nya ingångsparametervektorer (3) det tränade ANN:et (6) och där ANN:et beräknar optimala bi- (4b) direkt presenteras för asparametervektorer motsvarande nämnda ingàngsparame- tervektorer.
3. Metod för att påskynda simulering av ett kommunikations- system enligt krav 2, kännetecknad av att beräkningen av op- tillfäl- ligtvis omkopplas och utförs på ett sätt enligt träningsfa- timala biasparametervektorer, i tillämpningsfasen, 1309846 SELdOC/ZOOO-OB-BO 10 15 20 25 30 35 520 281 il.. i händelse av att någon av ingångsparametervektorerna Sen, (3) är obekant.
4. Metod för att påskynda simulering av ett kommunikations- system enligt något av kraven l-3, kännetecknad av att simu- leringen avser simulera sällan förekommande händelser.
5. Anordning för att påskynda simulering av ett kommunika- tionssystem med användande av viktighetssampling (IS), varvid nämnda anordning omfattar alstringsorgan (1) för alstrandet av ingångsparametervektorer till en statistisk biasoptimerare (2), biasparametervektorer nämnda statistiska biasoptimerare (2) alstrar optimala (48) vektorer (3), nämnda anordning omfattar även en viktighets- för motsvarande ingångsparameter- samplingssimulator (8) ansluten för att motta de optimala bi- asparametervektorerna och. att alstra xnålparameterskattningar (9), (ANN) (6) nämnda alstringsorgan (1) och till nämnda statistiska biasop- (2), (3) från nämnda alstringsorgan (1) tillsammans med motsvaran- (4a> neuralt nätverk anslutet till kännetecknad av att ett artificiellt är, under en första träningsfas, timerare nämnda ANN matas med ingångsparametervektorer de optimala biasparametervektorer från nämnda statistis- ka biasoptimerare (2).
6. Anordning för att påskynda simulering av ett kommunika- tionssystem enligt krav 5, kännetecknad av att en andra tillämpningsfas etableras efter träningen av ANN:et (6) i vilken den statistiska biasoptimeraren förbikopplas genom en direkt till ANN:et (6), så att ANN:et nu tillhandahåller optimala biasparametrar (4b) (10) torn (8). anslutning (7) från alstringsorganen (l) via en förbindelse till viktighetssamplingssimula-
7. Anordning för att påskynda simulering av ett kommunika- tionssystem enligt krav 6, kännetecknad av att omkopplingsor- ganen (12) används i viktighetssamplingssimulatorn (8) vid PO9846 SE.dOC/200Q-O3-30 * 520 281 Llzí Z ' omkoppling från träningsfasen till tillämpningsfasen och vice versa. PO9846 SE.doC/2000-O3-3O
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9804513A SE520281C2 (sv) | 1998-12-22 | 1998-12-22 | Metod och anordningar för att simulera kommunikationssystem |
US09/467,624 US6466925B1 (en) | 1998-12-22 | 1999-12-20 | Method and means for simulation of communication systems |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9804513A SE520281C2 (sv) | 1998-12-22 | 1998-12-22 | Metod och anordningar för att simulera kommunikationssystem |
Publications (3)
Publication Number | Publication Date |
---|---|
SE9804513D0 SE9804513D0 (sv) | 1998-12-22 |
SE9804513L SE9804513L (sv) | 2000-06-23 |
SE520281C2 true SE520281C2 (sv) | 2003-06-17 |
Family
ID=20413832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SE9804513A SE520281C2 (sv) | 1998-12-22 | 1998-12-22 | Metod och anordningar för att simulera kommunikationssystem |
Country Status (2)
Country | Link |
---|---|
US (1) | US6466925B1 (sv) |
SE (1) | SE520281C2 (sv) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6820042B1 (en) * | 1999-07-23 | 2004-11-16 | Opnet Technologies | Mixed mode network simulator |
US6842427B1 (en) * | 2000-05-09 | 2005-01-11 | Itxc Ip Holdings S.A.R.L. | Method and apparatus for optimizing transmission of signals over a packet switched data network |
US7013257B1 (en) * | 2000-07-21 | 2006-03-14 | Interdigital Technology Corporation | Communication transmission impairment emulator |
US7805287B1 (en) * | 2003-06-05 | 2010-09-28 | Verizon Laboratories Inc. | Node emulator |
US7844432B1 (en) | 2003-06-05 | 2010-11-30 | Verizon Laboratories Inc. | Node emulator |
WO2005053341A1 (en) * | 2003-11-27 | 2005-06-09 | Telecom Italia S.P.A | Method for simulating a communication networks that cosiders quality of service |
US20060274659A1 (en) * | 2005-05-06 | 2006-12-07 | Battelle Memorial Institute | Method and system for generating synthetic digital network traffic |
US7877341B2 (en) * | 2007-08-22 | 2011-01-25 | Microsoft Corporation | Self-adaptive data pre-fetch by artificial neuron network |
US9960977B2 (en) * | 2015-03-02 | 2018-05-01 | Facebook, Inc. | Techniques to identify application foreground / background state based on network traffic |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5377307A (en) | 1992-10-07 | 1994-12-27 | Schlumberger Technology Corporation | System and method of global optimization using artificial neural networks |
JPH0895950A (ja) | 1994-09-28 | 1996-04-12 | Fujitsu Ltd | シミュレーション装置 |
US5453676A (en) * | 1994-09-30 | 1995-09-26 | Itt Automotive Electrical Systems, Inc. | Trainable drive system for a windshield wiper |
FR2753764B1 (fr) | 1996-09-26 | 2001-12-07 | Valeo | Amortisseur de torsion a piece de transmission a doigts, notamment friction d'embrayage pour vehicule automobile |
-
1998
- 1998-12-22 SE SE9804513A patent/SE520281C2/sv not_active IP Right Cessation
-
1999
- 1999-12-20 US US09/467,624 patent/US6466925B1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
SE9804513D0 (sv) | 1998-12-22 |
SE9804513L (sv) | 2000-06-23 |
US6466925B1 (en) | 2002-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10417558B1 (en) | Methods and systems for artificial neural network optimistic event processing | |
KR101961421B1 (ko) | 소스 시스템들의 운영 데이터를 사용하여 초기에 트레이닝되는 제 1 재귀 신경망 모델 및 제 2 재귀 신경망 모델을 별도로 트레이닝함으로써 타겟 시스템을 제어하기 위한 방법, 제어기, 및 컴퓨터 프로그램 제품 | |
Garvels et al. | A comparison of RESTART implementations | |
US6820042B1 (en) | Mixed mode network simulator | |
CN110889509A (zh) | 一种基于梯度动量加速的联合学习方法及装置 | |
CN110084271A (zh) | 一种图片类别的识别方法和装置 | |
SE520281C2 (sv) | Metod och anordningar för att simulera kommunikationssystem | |
CN112561119B (zh) | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 | |
US20160086075A1 (en) | Converting digital numeric data to spike event data | |
CN112446468A (zh) | 用于创建脉冲神经网络的方法、设备和计算机程序 | |
CN115150471B (zh) | 数据处理方法、装置、设备、存储介质及程序产品 | |
JP2023534696A (ja) | ネットワークトポロジーにおけるアノマリー検知 | |
CN111369009A (zh) | 一种能容忍不可信节点的分布式机器学习方法 | |
CN112241240A (zh) | 用于并行传输数据的方法、设备和计算机程序产品 | |
Yasudo et al. | Performance estimation for exascale reconfigurable dataflow platforms | |
CN116595690A (zh) | 基于知识融合图神经网络的计算机网络性能评估模型构建方法、***、设备及介质 | |
WO2020091139A1 (ko) | 시뮬레이션-가이드된 반복적 프루닝을 사용하는 효율적인 네트워크 압축 | |
CN115686916A (zh) | 智能运维方法及装置 | |
Blanchet et al. | Rare event simulation for a slotted time M/G/s model | |
CN112600804B (zh) | 一种时间触发以太网中压缩算法的实现方法 | |
Roughan et al. | Computing queue-length distributions for power-law queues | |
Gong et al. | Perturbation analysis of multiclass queueing systems with admission control | |
KR20210004346A (ko) | 뉴로모픽 장치 및 그 장치에서 수행되는 시그널링 방법 | |
Huisman et al. | The sojourn time distribution in an infinite server resequencing queue with dependent interarrival and service times | |
Muka et al. | Convergence of the Key Algorithm of Traffic-Flow Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
NUG | Patent has lapsed |