10g網路申請的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

應用LSTM模型於EPON系統的封包延遲效能探討

為了解決10g網路申請的問題，作者蕭禾群 這樣論述：

近年來AI人工智慧突飛猛進，並且深度學習框架的普及讓開發深度學習應用越來越容易，因此深度學習被應用於解決許多資料預測的問題。本篇論文利用深度學習來預測乙太被動光纖網路(Ethernet Passive Optical Network, EPON)中在傳輸封包等待時間所來的封包數量。EPON網路是一種採用點到多點結構、被動光纖傳輸的技術。在EPON網路中透過光纖線路終端(OLT)設備將下行的光信號經過分光器，可分成多路提供給數個光纖網路單位(ONU)。在EPON網路內的每個週期中，所有的ONU都需要使用Report訊息來通知OLT目前上行封包的數值。當OLT收到Report訊息後，透過動態頻寬

配置(DBA)機制，針對每個ONU的上行流量進行分配，再透過Gate訊息去通知每一個ONU。但是在Gate與Report傳輸之間會有時間差，在這期間內仍然會有封包陸續抵達ONU的情況，這會造成原本ONU跟OLT申請的封包數量因不包含新抵達封包的數量而有所差異，導致上行的封包延遲時間增加。本研究提出以深度學習中的長短期記憶模型(Long Short-Term Memory, LSTM)來預測EPON網路環境中Report訊息與Gate訊息在進行封包傳遞的時間差所到達等待佇列的封包數量，並且設計單特徵與多特徵的LSTM模型與其他一般常見的動態頻寬分配進行比較。在Constant與Poisson流量

下，LSTM模型能夠比一般常見的動態頻寬分配擁有更低的平均封包延遲時間。但是在相對波動較大的Self-similar流量下LSTM模型的表現卻沒有辦法比一般常見的動態頻寬分配好。但是如果在Self-similar流量下把buffer size從100MB調整為10MB後，LSTM模型的平均封包延遲時間將會下降。