基于支持向量回归的互联网端到端延迟精准预测算法

该篇论文主要探讨了在互联网环境下端到端延迟的精确预测问题，这是一个关键的网络性能指标，对于网络协议设计、网络监测、服务质量保障以及实时业务优化等方面具有重要意义。论文的创新之处在于提出了一种基于支持向量回归（Support Vector Regression, SVR）的互联网端到端延迟预测算法。 首先，作者将端到端延迟预测问题重新定义为多元回归问题，构建了一个基于多元回归的端到端延迟预测框架。多元回归模型能够考虑多个可能影响延迟的因素，如网络带宽、节点负载、地理位置等，从而提供更为准确的预测。 其次，支持向量回归（SVR）作为一种强大的机器学习方法被应用于解决这个多元回归问题。SVR以其在小样本、非线性问题上的优秀性能，能够有效地处理复杂的数据关系，从而提高预测的精度。通过将SVR技术融入到互联网端到端延迟的预测模型中，作者旨在开发出一种高效且可靠的预测算法。 作者们使用了实际互联网环境中的Round-Trip Time (RTT) 数据集来验证他们的算法。实验结果显示，所提出的基于SVR的预测算法表现出快速响应和高精度的特点，证明了其在实际网络环境中的可行性，对于实时性能监控、流量调度和QoS保证等方面具有显著的优势。 此外，论文还提及了研究工作的背景，指出端到端延迟的精确预测对于众多网络活动的重要性，并强调了其在提升服务质量（QoS）和实时业务性能方面的作用。论文的研究成果得到了国家自然科学基金和国防预研基金的共同资助，作者团队包括讲师钱峰、硕士研究生连涛和吴嘉兴，他们分别在IP网络、信号处理、网络层析成像以及通信网络等领域有着深入的研究。 这篇论文通过对支持向量回归技术的应用，为互联网端到端延迟的预测提供了一种创新且实用的方法，对提升网络性能管理和实时业务优化具有重要价值。