Evaluation of Bio-Inspired Models under Different Learning Settings For Energy Efficiency in Network Traffic Prediction

要約

携帯電話トラフィック予測は、ネットワーク オペレータが効率的にリソースを割り当て、急速に進化する環境の異常に対処できるようにする重要なタスクです。
基地局から収集されるデータが急激に増加すると、処理と分析に大きな課題が生じます。
機械学習 (ML) アルゴリズムは、これらの大規模なデータセットを処理し、正確な予測を提供するための強力なツールとして登場しましたが、その予測機能が優先され、特にエネルギー消費の観点から環境への影響が無視されることがよくあります。
この研究では、携帯電話トラフィック予測のための 2 つの生物由来のモデル、スパイキング ニューラル ネットワーク (SNN) とエコー ステート ネットワーク (ESN) を介したリザーバー コンピューティングの可能性を調査します。
評価は、予測パフォーマンスとエネルギー効率の両方に焦点を当てています。
これらのモデルは、分散型システムでの有効性とエネルギー消費を分析するために、集中型設定と連合型設定の両方で実装されています。
さらに、生物からインスピレーションを得たモデルを、畳み込みニューラル ネットワーク (CNN) や多層パーセプトロン (MLP) などの従来のアーキテクチャと比較して、包括的な評価を提供します。
スペインのバルセロナにある 3 つの異なる場所から収集したデータを使用して、これらのアプローチ全体での予測精度とエネルギー需要の間のトレードオフを調べます。
この結果は、SNN や ESN などの生物からインスピレーションを得たモデルが、従来のアーキテクチャと同等の予測精度を維持しながら、大幅なエネルギー節約を達成できることを示しています。
さらに、フェデレーテッド実装は、集中型システムと比較した分散型設定でのエネルギー効率を評価するために、特に生物からインスピレーションを得たモデルと組み合わせてテストされました。
これらの発見は、持続可能でプライバシーを保護する携帯電話トラフィック予測のための生物由来のモデルの可能性についての貴重な洞察を提供します。

要約(オリジナル)

Cellular traffic forecasting is a critical task that enables network operators to efficiently allocate resources and address anomalies in rapidly evolving environments. The exponential growth of data collected from base stations poses significant challenges to processing and analysis. While machine learning (ML) algorithms have emerged as powerful tools for handling these large datasets and providing accurate predictions, their environmental impact, particularly in terms of energy consumption, is often overlooked in favor of their predictive capabilities. This study investigates the potential of two bio-inspired models: Spiking Neural Networks (SNNs) and Reservoir Computing through Echo State Networks (ESNs) for cellular traffic forecasting. The evaluation focuses on both their predictive performance and energy efficiency. These models are implemented in both centralized and federated settings to analyze their effectiveness and energy consumption in decentralized systems. Additionally, we compare bio-inspired models with traditional architectures, such as Convolutional Neural Networks (CNNs) and Multi-Layer Perceptrons (MLPs), to provide a comprehensive evaluation. Using data collected from three diverse locations in Barcelona, Spain, we examine the trade-offs between predictive accuracy and energy demands across these approaches. The results indicate that bio-inspired models, such as SNNs and ESNs, can achieve significant energy savings while maintaining predictive accuracy comparable to traditional architectures. Furthermore, federated implementations were tested to evaluate their energy efficiency in decentralized settings compared to centralized systems, particularly in combination with bio-inspired models. These findings offer valuable insights into the potential of bio-inspired models for sustainable and privacy-preserving cellular traffic forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google