QoS
PulseAugur coverage of QoS — every cluster mentioning QoS across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI框架在保持服务水平的同时降低5G能耗
研究人员开发了一个新的由AI驱动的5G网络节能框架，该框架可确保服务水平协议（SLA）得到维持。该系统使用一种稳定性感知的约束强化学习方法，特别是约束近端策略优化（PPO），来动态管理无线资源和基站功率模式。在七个小区的环境中进行的模拟显示，在名义流量下，能耗显著降低了高达41.4%，同时在压力和未知流量条件下也保持了零SLA违规和吞吐量损失。
-
FedQoS框架利用联邦学习进行可靠的无线接入选择
研究人员推出FedQoS，一个联邦学习框架，旨在预测和缓解动态室内外无线环境中服务质量（QoS）的下降。该方法使接入节点能够从网络数据（如无线测量和流量负载）中进行本地学习，而无需集中用户数据。通过联邦聚合训练全局QoS风险预测器，以估计候选接入链路的QoS失败概率，从而实现更可靠的接入节点选择。该框架使用Sionna框架生成的合成数据集进行了评估，与传统方法相比，QoS失败率显著降低。
-
已撤稿的论文提出了用于IoMT WBAN的Q学习路由
这篇已被撤稿的论文提出了一种名为QQMR的Q学习基础路由协议，用于无线体域网（WBAN）中的医疗物联网（IoMT）。QQMR旨在通过将数据划分为优先级级别，并使用自适应排队和模糊C均值聚类进行优化路由，来应对动态拓扑和能源限制等挑战。作者声称实验结果显示，与现有方法相比，该协议提高了数据包的传输成功率，减少了延迟，并降低了能耗。
-
FedCritic-MIMO框架通过联邦学习增强6G网络资源控制 · 跟踪2个来源
研究人员开发了FedCritic-MIMO，一个面向6G网络通信高效联邦学习的新框架。该系统使小区级控制器能够在没有集中式训练的情况下管理用户调度和功率分配等资源。通过点对点交换兼容的共享评论参数，该框架显著降低了通信开销，同时保持了性能并改善了用户速率分布和QoS满意度等关键指标。
-
优化路由器设置以提高下载速度
遇到下载速度慢的用户可以通过优化路由器设置来提高性能。关键调整包括重新放置路由器以获得更好的信号强度，利用 5GHz Wi-Fi 频段以获得更快的速度，以及启用智能队列管理 (SQM) 来缓解缓冲膨胀，这会在多台设备大量使用网络时导致延迟问题。如果这些步骤不能解决问题，可能需要升级到支持更新 Wi-Fi 标准的路由器。
-
新的RA-QAGC方案提高了无人机网络的吞吐量和QoS
研究人员开发了一种名为速率感知量子退火图缩减（RA-QAGC）的新方案，以改进无人机（UAV）网络的轨迹优化。该方法结合了图抽象和去中心化强化学习，以更有效地管理复杂的、受干扰限制的环境。RA-QAGC旨在通过引导无人机前往高吞吐量位置来平衡网络容量并保持服务质量（QoS），在模拟中显示出显著的性能提升。
-
揭示代理网络的新隐私保护方法
研究人员开发了一种在去中心化代理系统中实现公平代币分配和私有数据估值的新方法。该方法使用共享语义空间中的多模态表示，并应用差分隐私来保护用户数据同时保持效用。该方案旨在奖励有效贡献并管理资源稀缺性，在模拟中显示出公平性和服务质量的提高，并增强了对图像重建攻击的抵抗力。
-
新AI算法利用图神经网络优化移动网络控制
研究人员开发了一种名为时序一致图Q网络（TC-GQN）的新型多智能体强化学习算法，用于优化移动网络控制。该算法学习整个网络的任务无关表示，聚合所有基站的信息。然后，图神经网络利用这种编码，根据全局奖励函数协调局部动作，与现有基线相比，在保持服务质量的同时提高了硬件睡眠时间。
-
DriftSched 通过自适应调度提高 LLM 推理效率
研究人员开发了 DriftSched，一个旨在提高大型语言模型多租户 GPU 推理效率的框架。该系统通过使用自适应偏差校正将估计误差减少 40% 以上，解决了运行时令牌漂移（实际输出长度偏离初始估计）的挑战。实验表明，最短作业优先 (SJF) 调度策略与 DriftSched 结合使用可显著降低延迟，中位数端到端延迟下降约 42%。该框架还包括一个用于运行时反馈驱动漂移补偿的机制，以及一个用于评估共享 GPU 基础设施上 QoS 感知…