Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020115273 - PREDICTING NETWORK COMMUNICATION PERFORMANCE USING FEDERATED LEARNING

Publication Number WO/2020/115273
Publication Date 11.06.2020
International Application No. PCT/EP2019/083965
International Filing Date 06.12.2019
IPC
H04L 12/24 2006.01
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
12Data switching networks
02Details
24Arrangements for maintenance or administration
H04W 24/00 2009.01
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
WWIRELESS COMMUNICATION NETWORKS
24Supervisory, monitoring or testing arrangements
CPC
H04L 41/147
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
41Arrangements for maintenance or administration or management of packet switching networks
14involving network analysis or design, e.g. simulation, network model or planning
147for prediction of network behaviour
H04L 41/16
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
41Arrangements for maintenance or administration or management of packet switching networks
16Network management using artificial intelligence
H04W 24/00
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
WWIRELESS COMMUNICATION NETWORKS
24Supervisory, monitoring or testing arrangements
Applicants
  • TELEFONAKTIEBOLAGET LM ERICSSON (PUBL) [SE]/[SE]
Inventors
  • VANDIKAS, Konstantinos
  • ICKIN, Selim
Agents
  • ERICSSON
Priority Data
62/777,05907.12.2018US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) PREDICTING NETWORK COMMUNICATION PERFORMANCE USING FEDERATED LEARNING
(FR) PRÉDICTION DE PERFORMANCES DE COMMUNICATION D'UN RÉSEAU À L'AIDE D'UN APPRENTISSAGE FÉDÉRÉ
Abstract
(EN)
Federated learning is used to predict network communication performance at an edge node (10-1). The edge node (10-1) trains a local model (14-1) of network communication performance over one or more rounds of training, based on a local training dataset (22-1) and based on multi-node training information (20-1) received in each round of training. This information (20-1) comprises information about local models (14-2,...14-N) at other respective edge nodes (10-2,...10-N) as trained based on local training datasets at the other edge nodes (10-2,...10-N). After or as part of each round of training, the edge node (10-1) transmits control signaling that indicates an accuracy of the local model (14-1) as trained through that round of training, that indicates whether another round of training is needed or desired, and/or that indicates whether any further information (20-1) is needed or desired. The edge node (10-1) predicts network communication performance at the edge node (10-1) based on the trained local model (14-1).
(FR)
Un apprentissage fédéré est utilisé pour prédire des performances de communication d'un réseau au niveau d'un nœud périphérique (10-1). Le nœud périphérique (10-1) forme un modèle local (14-1) des performances de communication du réseau sur un ou plusieurs cycles de formation sur la base d'un ensemble de données de formation locale (22-1) et sur la base d'informations de formation au niveau de multiples nœuds (20-1) reçues au cours de chaque cycle de formation. Les informations (20-1) contiennent des informations relatives à des modèles locaux (14-2, ...,14-N) au niveau d'autres nœuds périphériques respectifs (10-2, ...,10-N) tels que formés sur la base d'ensembles de données de formation locale au niveau des autres nœuds périphériques (10-2, ..., 10-N). Pendant ou après chaque cycle de formation, le nœud périphérique (10-1) transmet une signalisation de commande qui indique une précision du modèle local (14-1) tel que formé par l'intermédiaire de ce cycle de formation, qui indique si un autre cycle de formation est nécessaire ou souhaité et/ou qui indique si d'autres informations (20-1) sont nécessaires ou souhaitées. Le nœud périphérique (10-1) prédit des performances de communication du réseau au niveau du nœud périphérique (10-1) sur la base du modèle local formé (14-1).
Latest bibliographic data on file with the International Bureau