.png){kind=icon}
返回
Cardinality Estimation in a Virtualized Network Device Using Online Machine Learning
.png){kind=icon}
OA
AI
DOI：10.1109/TNET.2019.2940705.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基数估计算法接收具有可能重复的元素流，并返回流中不同元素的数量。这样的算法试图以其输出不准确为代价来最小化所需的存储器和CPU资源消耗。在计算机网络中，基数估计算法主要用于计算不同流的数量，它们分为两类: 草绘算法和采样算法。草绘算法需要处理所有数据包，因此通常由专用硬件实现。采样算法不需要处理所有分组，但是它们以其不准确性而闻名。在这项工作中，我们确定了基于采样的基数估计算法的主要缺点之一: 它们无法适应流量大小分布的变化。为了解决这个问题，我们提出了一种新的基于采样的自适应基数估计框架，该框架使用在线机器学习。我们使用真实的流量跟踪来评估我们的框架，并且对于相同比例的已处理数据包，与最著名的基于采样的算法相比，显示出更高的准确性。
Keyword:
Cardinality estimation
machine learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
3.6
论文数:
4.4K
被引数:
9.5K
机构
引用论文
分享收藏Circulating Tumor M2 Pyruvate Kinase and Thymidine Kinase 1 Are Potential Predictors for Disease Recurrence in Renal Cell Carcinoma After Nephrectomy.png)
Urology
UrologyIF0
PREAI
分享收藏
查看更多内容