راهبرد هدایت تقاضای CCN به عنوان الگوی راهزنی چند دست با تاخیر

راهبرد هدایت تقاضای CCN به عنوان الگوی راهزنی چند دست با تاخیر

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 17

تعداد کلمات : 4000

مجله : IEEE

انتشار : 2012

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
7 دسامبر 2021
دسته بندی
تعداد بازدیدها
1147 بازدید
69,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:راهبرد هدایت تقاضای CCN به عنوان الگوی راهزنی چند دست با تأخیر

 چکیده

در این تحقیق، تقاضای شبکه مبتنی بر محتوی CNN مانند مسئله الگوی راهزنی چند دست MAB بررسی شد. هدف این تحقیق، ارزیابی رفتار سیاست‌های هدایت تقاضای اپسیلون گردی، اپسیلون تعدیل شده وفاصله اطمینان کران بالا UCB است. نتایج نشان داد که برای هر کدام از سه مورد سیاست، مرحله اکتشافی اصلی کوتاه لازم می‌باشد. الگوریتم اپسیلون گردی تعدیل شده کارکرد مناسب با الگوریتم UCB داشت. الگوریتم UCB دارای بهترین عملکرد است. حدود لگاریتمی هموار جهت اپسیلون گردی تعدیل شده با وجود تأخیر اثبات شد. با در نظر گرفتن اهمیت آن در هدایت تقاضای CCN، پیامدهای مهم برای مسئله MAB با تأخیر نشاندهنده دستاوردها در زمینه یادگیری ماشینی است(راهبرد هدایت تقاضای CCN).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: CCN Interest Forwarding Strategy as Multi-Armed Bandit Model with Delay

Abstract

 We consider Content Centric Network (CCN) interest forwarding problem as a Multi-Armed Bandit (MAB) problem with delays. We investigate the transient behaviour of the Egreedy, tuned E-greedy and Upper Confidence Bound (UCB) interest forwarding policies. Surprisingly, for all the three policies very short initial exploratory phase is needed. We demonstrate that the tuned E-greedy algorithm is nearly as good as the UCB algorithm, commonly reported as the best currently available algorithm. We prove the uniform logarithmic bound for the tuned E-greedy algorithm in the presence of delays. In addition to its immediate application to CCN interest forwarding, the new theoretical results for MAB problem with delays represent significant theoretical advances in machine learning discipline.