Un modelo de red neuronal adaptable para la predicción y modelado recursivo no lineal del tráfico y fuentes de video MPEG

Se espera que los servicios multimedia y, especialmente, el video digital sean el componente principal del tráfico transmitido a través de redes de comunicación como las redes basadas en el protocolo de internet (IP). Por esta razón, se requiere la caracterización y modelado del tráfico de tales servicios para un funcionamiento eficiente de la red. Los modelos generados se pueden utilizar como predictores de tasa de tráfico, durante la fase de operación de la red (modelado de tráfico en línea), o como generadores de video para estimar los recursos de la red, durante la fase de diseño de la red (modelado de tráfico fuera de línea). En este artículo, se propone una arquitectura de red neuronal adaptable que cubre ambos casos. El esquema se basa en un algoritmo eficiente de estimación de peso recursivo, que adapta la respuesta de la red a las condiciones actuales. En particular, el algoritmo actualiza los pesos de la red de tal manera que 1) la salida de la red, después de la adaptación, es aproximadamente igual a las tasas de bits actuales (estadísticas de tráfico actuales) y 2) se proporciona una degradación mínima sobre el conocimiento de la red obtenido. Se puede demostrar que la arquitectura de red neuronal adaptable propuesta simula un modelo autorregresivo no lineal recursivo (RNAR) similar a la notación utilizada en el caso lineal. El algoritmo presenta una baja complejidad computacional y alta eficiencia en el seguimiento de las tasas de tráfico en contraste con los esquemas de reentrenamiento convencionales. Además, para el problema del modelado de tráfico fuera de línea, se propone un novedoso mecanismo de correlación para capturar la explosividad del tráfico de video MPEG real. El rendimiento del modelo se evalúa utilizando varias fuentes de video codificado MPEG de larga duración y se compara con otras técnicas lineales/no lineales utilizadas para ambos casos. Los resultados indican que la arquitectura de red neuronal adaptable propuesta presenta un mejor rendimiento que otras técnicas examinadas.