دانلود مقاله انگلیسی رایگان:تشخیص ناهنجاری های رانده شده با داده های نیمه نظارت بر اساس داده ها در شبکه های بی سیم سیار - 2018

روز دانشجو

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Semi-Supervised Learning Based Big Data-Driven Anomaly Detection in Mobile Wireless Networks Semi-Supervised Learning Based Big Data-Driven Anomaly Detection in Mobile Wireless Networks
    Semi-Supervised Learning Based Big Data-Driven Anomaly Detection in Mobile Wireless Networks

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Semi-Supervised Learning Based Big Data-Driven Anomaly Detection in Mobile Wireless Networks


    ترجمه فارسی عنوان مقاله:

    تشخیص ناهنجاری های رانده شده با داده های نیمه نظارت بر اساس داده ها در شبکه های بی سیم سیار


    منبع:

    IEEE - SELECTED PAPERS FROM IEEE/CIC ICCC 2017


    نویسنده:

    Bilal Hussain1,2, Qinghe Du1, 2,*, Pinyi Ren1,2


    چکیده انگلیسی:

    With rising capacity demand in mobile networks, the infrastructure is also becoming increasingly denser and complex. This results in collection of larger amount of raw data (big data) that is generated at different levels of network architecture and is typically underutilized. To unleash its full value, innovative machine learning algorithms need to be utilized in order to extract valuable insights which can be used for improving the overall network’s performance. Additionally, a major challenge for network operators is to cope up with increasing number of complete (or partial) cell outages and to simultaneously reduce operational expenditure. This paper contributes towards the aforementioned problems by exploiting big data generated from the core network of 4G LTE-A to detect network’s anomalous behavior. We present a semi-supervised statistical-based anomaly detection technique to identify in time: first, unusually low user activity region depicting sleeping cell, which is a special case of cell outage; and second, unusually high user traffic area corresponding to a situation where special action such as additional resource allocation, fault avoidance solution etc. may be needed. Achieved results demonstrate that the proposed method can be used for timely and reliable anomaly detection in current and future cellular networks.
    Keywords: 5G; 4G LTE-A; anomaly detec tion; call detail record; machine learning; big data analytics; network behavior analysis; sleeping cell


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 17
    حجم فایل: 2923 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer