Round-Trip Time Estimation Using Enhanced Regularized Extreme Learning Machine

doi:10.3390/network6010010

Round-Trip Time Estimation Using Enhanced Regularized Extreme Learning Machine

2026-01-29

0

PRE

AI

H

Hassan Rizky Putra Sailellah *

DOI：10.3390/network6010010

原文链接

原文求助

摘要

En 中文

可靠的网络连接对于视频会议、媒体流和在线游戏等延迟敏感型服务至关重要。往返时间（RTT）是网络性能的关键指标，并直接影响重传超时（RTO）的设置；不准确的RTT估计可能触发不必要的重传或导致缓慢的丢包恢复。本文提出了一种增强型正则化极限学习机（RELM）用于RTT估计，通过交织双向对数步长启发式方法选择正则化常数C，以提高泛化能力和效率。与手动调优或固定范围的网格搜索不同，所提出的启发式方法在单次循环中沿双向（×10和÷10）在对数尺度上探索C，并使用容差-耐心准则终止，无需预定义边界即可减少冗余评估。使用Mininet在哑铃拓扑下生成定制RTT数据集，通过受控延迟注入（1-1000 ms）产生1000个监督样本，这些样本源自100,000个原始RTT测量值。实验采用严格的训练/验证/测试分割（6:1:3），仅在训练阶段进行标准化/归一化，仅在验证阶段选择超参数。在受控的Mininet数据集上，最佳配置（ReLU激活函数、150个隐藏神经元、C=102）在测试集上达到R²=0.9999、MAPE=0.0018、MAE=966.04和RMSE=1589.64，同时保持毫秒级运行时间。在相同的评估流程下，所提出的方法与常见回归基线（SVR、GAM、决策树、KNN、随机森林、GBDT和ELM）相比表现出竞争力，并在受控模拟设置中保持较低的计算开销。为评估实际鲁棒性，在公开的真实世界WiFi RSS-RTT数据集上的额外评估显示，在视距（LOS）和混合LOS/NLOS场景下达到近米级精度，而在主导非视距（NLOS）条件下性能显著下降，这反映了物理信道限制而非模型不稳定。这些结果表明增强型RELM的可行性，并激励在存在丢包、抖动和路径变化的实际运行网络上进行进一步验证。

Keyword:

network quality

round-trip time

retransmission timeout

regularized extreme learning machine

estimation

Round-Trip Time Estimation Using Enhanced Regularized Extreme Learning Machine

摘要

期刊

机构

引用论文