簡易檢索 / 詳目顯示

研究生: 尚煒宸
Shang, Wei-Chen
論文名稱: 以FPGA實現基於廣義回歸類神經網路之快速預測頻寬分配系統設計
Fast Bandwidth Prediction and Allocation System Based on General Regression Neural Network by FPGA
指導教授: 黃文吉
Hwang, Wen-Jyi
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2020
畢業學年度: 108
語文別: 中文
論文頁數: 58
中文關鍵詞: 家庭網路嵌入式系統頻寬分配廣義回歸類神經網路
DOI URL: http://doi.org/10.6345/NTNU202001233
論文種類: 學術論文
相關次數: 點閱:106下載:0
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 隨著物聯網(Internet of Things, IoT)相關技術的快速發展與使用需求的提升,家庭中有網路使用需求的裝置大量增加使得對於網路頻寬(Network Bandwidth)的需求也隨之增加,因此需要一個有效的管理方式確保家庭網路的服務品質(Quality of Service, QoS)。
    本論文提出一個基於廣義回歸類神經網路(General Regression Neural Net-work, GRNN)模型家庭網路頻寬管理系統的優化方案,使該系統同時具備快速運算能力、低成本且小體積的嵌入式頻寬管理系統,使其適用於一般家庭的網路使用情境,能夠容易的嵌入現有的家庭網路設備中達到頻寬管理的目的。本系統根據訓練資料預測下一個時間點所需使用的網路頻寬量,並且能夠根據預測結果快速地修正頻寬分配量;此外系統會將最新的頻寬分配結果作為訓練資料加入模型中,藉由不斷地更新訓練資料使系統能夠不斷適應使用模式。
    在論文中也討論了GRNN與其他模型在頻寬分配情境下的效果比較藉此說明較適合GRNN做為頻寬預測模型的原因。此外,根據不同的訓練資料量探討本論文所提出的優化硬體電路與其利用管線化運算所帶來的效益。論文最後也討論頻寬管理系統中相關重要參數的調整對整體執行速度的影響。

    致謝 i 摘要 ii 表目錄 iv 圖目錄 v 第壹章、 緒論 1 第一節、 研究背景 1 第二節、 研究目的 4 第貳章、 基礎理論與技術背景 6 第一節、 相關類神經模型簡介 6 第二節、 為何選擇GRNN 11 第三節、 現有GRNN硬體架構與挑戰 14 第四節、 管線化計算 15 第參章、 系統架構 16 第一節、 實驗流程 16 第二節、 實驗參數設定 18 第三節、 系統運算流程 26 第四節、 管線化計算架構 36 第肆章、 實驗結果分析 39 第一節、 實驗環境 39 第二節、 GRNN硬體執行速度分析 43 第三節、 效能分析與參數調整 47 第伍章、 結論 56 參考文獻 57

    [1] White, G., & Clarke, S. (2020). Short-term qos forecasting at the edge for reliable service applications. IEEE Transactions on Services Computing.

    [2] Eswaradass, A., Sun, X. H., & Wu, M. (2006, May). Network bandwidth predic-tor (nbp): A system for online network performance forecasting. In Sixth IEEE In-ternational Symposium on Cluster Computing and the Grid (CCGRID'06) (Vol. 1, pp. 4-pp). IEEE.

    [3] Specht, D. F. (1991). A general regression neural network. IEEE transactions on neural networks, 2(6), 568-576.

    [4] White, G., Palade, A., & Clarke, S. (2018, July). Forecasting qos attributes using lstm networks. In 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). IEEE.

    [5] Leung, M. T., Chen, A. S., & Daouk, H. (2000). Forecasting exchange rates using general regression neural networks. Computers & Operations Research, 27(11-12), 1093-1110.

    [6] Nose-Filho, K., Lotufo, A. D. P., & Minussi, C. R. (2011). Short-term multinodal load forecasting using a modified general regression neural network. IEEE trans-actions on power delivery, 26(4), 2862-2869.

    [7] Zadeh, M. H., & Seyyedi, M. A. (2010, July). Qos monitoring for web services by time series forecasting. In 2010 3rd International Conference on Computer Science and Information Technology (Vol. 5, pp. 659-663). IEEE.

    [8] Mokhtar, S. B., Liu, J., Georgantas, N., & Issarny, V. (2005, November). QoS-aware dynamic service composition in ambient intelligence environments. In Proceedings of the 20th IEEE/ACM international Conference on Automated software engineering (pp. 317-320).


    [9] 婁敦堯. (2019). 基於FPGA平台的家庭網路QoS系統設計. 臺灣師範大學資訊工程學系學位論文.

    [10] Hwang, W. J., Tai, T. M., Jhang, Y. J., Tung, Y. C., Ho, C. H., & Kuo, S. Y. (2017). Quality of service management for home networks using online service response prediction. IEEE Internet of Things Journal, 4(5), 1773-1786.

    [11] Hwang, W. J., Tai, T. M., Pan, B. T., Lou, T. Y., & Jhang, Y. J. (2019). An Intelli-gent QoS Algorithm for Home Networks. IEEE Communications Letters, 23(4), 588-591.

    無法下載圖示 電子全文延後公開
    2025/08/27
    QR CODE