Se requiere una predicción precisa del tráfico en tiempo real en muchas aplicaciones de redes como la asignación dinámica de recursos y la gestión de energía. Este documento explora varios predictores y busca uno que tenga alta precisión y baja complejidad de cálculo y consumo de energía. Se comparan muchos predictores de tres clases diferentes, incluidos los clásicos de series temporales, las redes neuronales artificiales y los predictores basados en la transformada wavelet. Estos predictores se evalúan utilizando trazas de red reales. Se presenta una comparación de precisión y costos, tanto en términos de complejidad de cálculo como de consumo de energía. Se observa que un predictor de suavizado exponencial doble proporciona un equilibrio razonable entre rendimiento y sobrecarga de costos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículos:
Técnicas de reconfiguración para la gestión de energía y rendimiento automática en las FPGA Xilinx Virtex-II/Virtex-II-Pro
Artículos:
Un enfoque ligero de detección de neumonía basado en aprendizaje profundo para sistemas médicos eficientes en energía.
Artículos:
Investigación sobre Métodos de Optimización de Ensamblaje de Rotor Multietapa para Motor de Aviación Basados en el Algoritmo Genético
Artículos:
Intercambio desordenado de múltiples secretos basado en el teorema del resto chino generalizado
Artículos:
Estudio sobre marcos de gestión y retos pendientes en IoT
Artículos:
La curva S como herramienta para la planeación y control de procesos de construcción: casos de estudio
Artículos:
Investigación sobre control de costos de proyectos de construcción con base en la teoría de construcción sin pérdidas y BIM : caso práctico
Artículos:
Una metodología para el diseño de un currículo orientado a las competencias
Libros:
Física. Ondas eléctromagnéticas