ترجمه فارسی مقاله اولویت‌بندی ترافیک واقعیت مجازی برای بهبود کیفیت خدمات Wi-Fi با استفاده از تکنیک‌های طبقه‌بندی یادگیری ماشین

چکیده

The increase in the demand for eXtended Reality (XR)/Virtual Reality (VR) services in the recent years, poses a great challenge for Wi-Fi networks to maintain the strict latency requirements. In VR over Wi-Fi, latency is a significant issue. In fact, VR users expect instantaneous responses to their interactions, and any noticeable delay can disrupt user experience. Such disruptions can cause motion sickness, and users might end up quitting the service. Differentiating interactive VR traffic from Non-VR traffic within a Wi-Fi network can aim to decrease latency for VR users and improve Wi-Fi Quality of Service (QoS) with giving priority to VR users in the access point (AP) and efficiently handle VR traffic. In this paper, we propose a machine learning-based approach for identifying interactive VR traffic in a Cloud-Edge VR scenario. The correlation between downlink and uplink is crucial in our study. First, we extract features from single-user traffic characteristics and then, we compare six common classification techniques (i.e., Logistic Regression, Support Vector Machines, k-Nearest Neighbors, Decision Trees, Random Forest, and Naive Bayes). For each classifier, a process of hyperparameter tuning and feature selection, namely permutation importance is applied. The model created is evaluated using datasets generated by different VR applications, including both single and multi-user cases. Then, a Wi-Fi network simulator is used to analyze the VR traffic identification and prioritization QoS improvements. Our simulation results show that we successfully reduce VR traffic delays by a factor of 4.2x compared to scenarios without prioritization, while incurring only a 2.3x increase in delay for background (BG) traffic related to Non-VR services.

چکیده به فارسی (ترجمه ماشینی)

افزایش تقاضا برای خدمات واقعیت گسترده (XR)/واقعیت مجازی (VR) در سالهای اخیر ، برای حفظ نیازهای دقیق تأخیر ، برای شبکه های Wi-Fi یک چالش بزرگ ایجاد می کند.در VR بیش از Wi-Fi ، تأخیر مسئله مهمی است.در حقیقت ، کاربران VR انتظار پاسخ های فوری به تعامل آنها را دارند و هرگونه تأخیر قابل توجه می تواند تجربه کاربر را مختل کند.چنین اختلالاتی می تواند باعث بیماری حرکتی شود و ممکن است کاربران در نهایت از سرویس خارج شوند.تمایز ترافیک تعاملی VR از ترافیک غیر VR در یک شبکه Wi-Fi می تواند با هدف کاهش تأخیر برای کاربران VR و بهبود کیفیت خدمات Wi-Fi (QoS) با اولویت دادن به کاربران VR در نقطه دسترسی (AP) و کارآمد انجام شود.ترافیک VR.در این مقاله ، ما یک رویکرد مبتنی بر یادگیری ماشین را برای شناسایی ترافیک تعاملی VR در یک سناریوی VR با ابر ابر پیشنهاد می کنیم.همبستگی بین downlink و uplink در مطالعه ما بسیار مهم است.ابتدا ، ما ویژگی هایی را از ویژگی های ترافیک تک کاربر استخراج می کنیم و سپس شش تکنیک طبقه بندی مشترک را مقایسه می کنیم (یعنی رگرسیون لجستیک ، ماشین های بردار پشتیبانی ، همسایگان K-Nearest ، درختان تصمیم گیری ، جنگل تصادفی و Bayes ساده لوح).برای هر طبقه بندی کننده ، فرآیند تنظیم Hyperparameter و انتخاب ویژگی ، یعنی اهمیت جابجایی اعمال می شود.مدل ایجاد شده با استفاده از مجموعه داده های تولید شده توسط برنامه های مختلف VR ، از جمله موارد منفرد و چند کاربره ارزیابی می شود.سپس ، از یک شبیه ساز شبکه Wi-Fi برای تجزیه و تحلیل شناسایی ترافیک VR و اولویت بندی QoS استفاده می شود.نتایج شبیه سازی ما نشان می دهد که ما با موفقیت تأخیر در ترافیک VR را با ضریب 4.2 برابر با سناریوها بدون اولویت بندی کاهش می دهیم ، در حالی که فقط افزایش 2.3 برابر در تأخیر در زمینه پس زمینه (BG) مربوط به خدمات غیر VR را متحمل می شود.