Network Delay Tomography using Flexicast Experiments
利用灵活组播实验进行网络时延层析估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的网络是计算机通信网络，研究链路时延反卷积，未涉及所列微观网络与干扰方向的经济互动或溢出效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用灵活组播实验进行网络时延层析估计
- 研究问题
- 如何从主动探测获得的端到端路径时延数据，识别并估计通信网络各链路的时延分布，同时应对大型树状网络的计算负担？
- 方法与思路
- 作者设计 flexicast 探测实验，研究链路分布的可识别条件，采用 EM 最大似然估计，并提出汇总局部似然估计信息的算法。
- 材料陈述的贡献
- 摘要称，本文给出可识别条件，并针对 EM 在大型树状网络中的扩展困难提出更快算法，以校园网络的真实语音通信数据展示方法。
- 阅读关注点
- 应核对探测方案、链路时延模型和可识别条件，比较局部信息合并与整体似然估计的关系，并检查速度及估计误差证据。
- 阅读边界
- 仅据所给 Crossref 摘要；链路依赖假设、算法复杂度和应用数值未说明，不能把通信网络层析直接等同于经济网络干扰分析。
原文摘要
Summary Estimating and monitoring the quality of service of computer and communications networks is a problem of considerable interest. The paper focuses on estimating link level delay distributions from end-to-end path level data collected by using active probing experiments. This is an interesting large scale statistical inverse (deconvolution) problem. We describe a flexible class of probing experiments (‘flexicast’) for data collection and develop conditions under which the link level delay distributions are identifiable. Maximum likelihood estimation using the EM algorithm is studied. It does not scale well for large trees, so a faster algorithm based on solving for local maximum likehood estimators and combining their information is proposed. The usefulness of the methods is illustrated on real voice over Internet protocol data that were collected from the University of North Carolina campus network.