Published January 1, 2020
| Version v1
Publication
Open
ECMCRR-MPDNL for Cellular Network Traffic Prediction With Big Data
Creators
- 1. University of the Cumberlands
- 2. Williams (United States)
- 3. Prince Sattam Bin Abdulaziz University
- 4. Near East University
- 5. Vellore Institute of Technology University
- 6. Siddhartha Medical College
Description
Big data comprises a large volume of data (i.e., structured and unstructured) stored on a daily basis. Processing such volume of data is a complex task as well as the challenging one. This big data is applied in the cellular network for traffic prediction. Now, benefiting from the big data in cellular networks, it becomes possible to make the analyses one step further into the application level. In order to improve the traffic prediction accuracy with minimum time, Expected Conditional Maximization Clustering and Ruzicka Regression-based Multilayer Perceptron Deep Neural Learning (ECMCRR-MPDNL) technique is introduced. The ECMCRR-MPDNL technique initially collects a large volume of data over the spatial and temporal aspects of cellular networks. Then the collected data are trained with multiple layers such as one input layer, two hidden layers, and one output layer. The activation function is used at the output layer to predict the network traffic based on the similarity value with higher accuracy. These predictors are evaluated using real network traces. Finally, the error rate is calculated for minimizing the prediction error. Experimental evaluation is carried out using a big dataset with different metrics such as prediction accuracy, false-positive and prediction time. The observed result confirms that the proposed ECMCRR-MPDNL technique improves on an average the 98% of performance of network traffic prediction with higher accuracy and 20 % minimum time as well as the false-positive rate as compared to the state-of-the-art methods.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تشتمل البيانات الضخمة على حجم كبير من البيانات (أي المهيكلة وغير المهيكلة) المخزنة على أساس يومي. تعد معالجة مثل هذا الحجم من البيانات مهمة معقدة بالإضافة إلى كونها مهمة صعبة. يتم تطبيق هذه البيانات الضخمة في الشبكة الخلوية للتنبؤ بحركة المرور. الآن، بالاستفادة من البيانات الضخمة في الشبكات الخلوية، يصبح من الممكن جعل التحليلات خطوة أخرى إلى مستوى التطبيق. من أجل تحسين دقة التنبؤ بحركة المرور مع الحد الأدنى من الوقت، يتم تقديم تقنية تجميع التعظيم الشرطي المتوقع والتعلم العصبي العميق متعدد الطبقات القائم على الانحدار من روزيكا (ECMCRR - MPDNL). تجمع تقنية ECMCRR - MPDNL مبدئيًا حجمًا كبيرًا من البيانات حول الجوانب المكانية والزمنية للشبكات الخلوية. ثم يتم تدريب البيانات التي تم جمعها بطبقات متعددة مثل طبقة إدخال واحدة وطبقتين مخفيتين وطبقة إخراج واحدة. تُستخدم وظيفة التنشيط في طبقة الإخراج للتنبؤ بحركة مرور الشبكة بناءً على قيمة التشابه بدقة أعلى. يتم تقييم هذه التنبؤات باستخدام آثار الشبكة الحقيقية. أخيرًا، يتم حساب معدل الخطأ لتقليل خطأ التنبؤ. يتم إجراء التقييم التجريبي باستخدام مجموعة بيانات كبيرة بمقاييس مختلفة مثل دقة التنبؤ والإيجابية الخاطئة ووقت التنبؤ. تؤكد النتيجة المرصودة أن تقنية ECMCRR - MPDNL المقترحة تحسن في المتوسط 98 ٪ من أداء التنبؤ بحركة مرور الشبكة بدقة أعلى و 20 ٪ كحد أدنى من الوقت بالإضافة إلى معدل الإيجابية الخاطئة مقارنة بالطرق الحديثة.Translated Description (French)
Les mégadonnées comprennent un grand volume de données (c.-à-d. structurées et non structurées) stockées quotidiennement. Le traitement d'un tel volume de données est une tâche complexe et difficile. Ce big data est appliqué dans le réseau cellulaire pour la prédiction du trafic. Maintenant, en bénéficiant du big data dans les réseaux cellulaires, il devient possible de faire les analyses un peu plus loin dans le niveau de l'application. Afin d'améliorer la précision de la prédiction du trafic avec un minimum de temps, une technique de regroupement de maximisation conditionnelle attendue et d'apprentissage perceptron profond multicouche basé sur la régression de Ruzicka (ECMCRR-MPDNL) est introduite. La technique ECMCRR-MPDNL collecte initialement un grand volume de données sur les aspects spatiaux et temporels des réseaux cellulaires. Ensuite, les données collectées sont entraînées avec plusieurs couches telles qu'une couche d'entrée, deux couches cachées et une couche de sortie. La fonction d'activation est utilisée au niveau de la couche de sortie pour prédire le trafic réseau en fonction de la valeur de similarité avec une plus grande précision. Ces prédicteurs sont évalués à l'aide de traces réseau réelles. Enfin, le taux d'erreur est calculé pour minimiser l'erreur de prédiction. L'évaluation expérimentale est réalisée à l'aide d'un grand ensemble de données avec différentes métriques telles que la précision de la prédiction, les faux positifs et le temps de prédiction. Le résultat observé confirme que la technique ECMCRR-MPDNL proposée améliore en moyenne les 98 % de performance de la prédiction du trafic réseau avec une plus grande précision et 20 % de temps minimum ainsi que le taux de faux positifs par rapport aux méthodes de pointe.Translated Description (Spanish)
Big data comprende un gran volumen de datos (es decir, estructurados y no estructurados) almacenados diariamente. Procesar tal volumen de datos es una tarea compleja y desafiante. Este big data se aplica en la red celular para la predicción del tráfico. Ahora, beneficiándose del big data en las redes celulares, es posible hacer los análisis un paso más allá en el nivel de aplicación. Con el fin de mejorar la precisión de la predicción del tráfico con un tiempo mínimo, se introduce la técnica de agrupación de maximización condicional esperada y el aprendizaje neuronal profundo de perceptrones multicapa basado en la regresión de Ruzicka (ECMCRR-MPDNL). La técnica ECMCRR-MPDNL recoge inicialmente un gran volumen de datos sobre los aspectos espaciales y temporales de las redes celulares. Luego, los datos recopilados se entrenan con varias capas, como una capa de entrada, dos capas ocultas y una capa de salida. La función de activación se utiliza en la capa de salida para predecir el tráfico de red en función del valor de similitud con mayor precisión. Estos predictores se evalúan utilizando rastros de red reales. Finalmente, se calcula la tasa de error para minimizar el error de predicción. La evaluación experimental se lleva a cabo utilizando un gran conjunto de datos con diferentes métricas, como la precisión de la predicción, el falso positivo y el tiempo de predicción. El resultado observado confirma que la técnica ECMCRR-MPDNL propuesta mejora en promedio el 98% del rendimiento de la predicción del tráfico de red con mayor precisión y un 20% de tiempo mínimo, así como la tasa de falsos positivos en comparación con los métodos más avanzados.Files
09116981.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:dfeff8fbae53963350b0c3a427a5d173
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- ECMCRR - MPDNL للتنبؤ بحركة مرور الشبكة الخلوية مع البيانات الضخمة
- Translated title (French)
- ECMCRR-MPDNL pour la prédiction du trafic du réseau cellulaire avec Big Data
- Translated title (Spanish)
- ECMCRR-MPDNL para la predicción del tráfico de la red celular con Big Data
Identifiers
- Other
- https://openalex.org/W3035524316
- DOI
- 10.1109/access.2020.3002380
References
- https://openalex.org/W2548171507
- https://openalex.org/W2558600380
- https://openalex.org/W2593182953
- https://openalex.org/W2773926730
- https://openalex.org/W2781595402
- https://openalex.org/W2789386460
- https://openalex.org/W2789594965
- https://openalex.org/W2807536558
- https://openalex.org/W2808261124
- https://openalex.org/W2884789967
- https://openalex.org/W2887051675
- https://openalex.org/W2890072063
- https://openalex.org/W2896326353
- https://openalex.org/W2902753153
- https://openalex.org/W2906848893
- https://openalex.org/W2910379280
- https://openalex.org/W2913410421
- https://openalex.org/W2914104504
- https://openalex.org/W2921142444
- https://openalex.org/W2921319277
- https://openalex.org/W2947433229
- https://openalex.org/W2949619369
- https://openalex.org/W2954123346
- https://openalex.org/W2963389592
- https://openalex.org/W2966395200
- https://openalex.org/W2984986659
- https://openalex.org/W3003524345
- https://openalex.org/W3009923610
- https://openalex.org/W3127083388
- https://openalex.org/W4241911331