A comprehensive survey on machine learning for networking: evolution, applications and research opportunities
Machine Learning (ML) has been enjoying an unprecedented surge in applications that solve problems and enable automation in diverse domains. Primarily, this is due to the explosion in the availability of data, significant improvements in ML techniques, and advancement in computing capabilities. Undoubtedly, ML has been applied to various mundane and complex problems arising in network operation and management. There are various surveys on ML for specific areas in networking or for specific network technologies. This survey is original, since it jointly presents the application of diverse ML techniques in various key areas of networking across different network technologies. In this way, readers will benefit from a comprehensive discussion on the different learning paradigms and ML techniques applied to fundamental problems in networking, including traffic prediction, routing and classification, congestion control, resource and fault management, QoS and QoE management, and network security. Furthermore, this survey delineates the limitations, give insights, research challenges and future opportunities to advance ML in networking. Therefore, this is a timely contribution of the implications of ML for networking, that is pushing the barriers of autonomic network operation and management.
بررسی جامع یادگیری ماشین برای شبکه سازی: تکامل، کاربردها و فرصت‌های تحقیقاتی
یادگیری ماشینی (ML)از یک افزایش بی‌سابقه در برنامه‌های کاربردی که مشکلات را حل می‌کنند و اتوماسیون در حوزه‌های مختلف را ممکن می‌سازند، لذت می‌برد.
در درجه اول، این به دلیل انفجار در دسترس بودن داده‌ها، پیشرفت‌های قابل‌توجه در تکنیک‌های ML، و پیشرفت در قابلیت‌های محاسبات است.
بدون شک، ML برای مشکلات مختلف دنیوی و پیچیده ناشی از عملیات و مدیریت شبکه اعمال شده‌است.
بررسی‌های مختلفی در ML برای حوزه‌های خاص در شبکه یا برای فن‌آوری‌های شبکه خاص وجود دارد.
این بررسی اصلی است، زیرا به طور مشترک کاربرد تکنیک‌های ML متنوع را در حوزه‌های کلیدی مختلف شبکه در میان فن‌آوری‌های مختلف شبکه ارائه می‌دهد.
به این ترتیب، خوانندگان از یک بحث جامع در مورد پارادایم‌های یادگیری مختلف و تکنیک‌های ML به کار رفته در مسائل اساسی در شبکه، از جمله پیش‌بینی ترافیک، مسیریابی و طبقه‌بندی، کنترل ازدحام، مدیریت منابع و خطا، مدیریت QoS و QoE، و امنیت شبکه بهره خواهند برد.
علاوه بر این، این بررسی محدودیت‌ها، بینش، چالش‌های تحقیق و فرصت‌های آینده برای پیشرفت ML در شبکه را مشخص می‌کند.
بنابراین، این مشارکت به موقع مفاهیم ML برای شبکه سازی است، که در حال هل دادن موانع عملکرد و مدیریت شبکه خودکار است.
ترجمه شده با 
ترجمه کنید