一种面向生产感知的工业网络流量建模的生成式方法
机器学习
2022-11-14 v1 应用统计
摘要
由工业4.0引发的数字化新浪潮要求普适且可靠的连接以执行和自动化工业操作。5G网络能够满足异构垂直应用的极致需求，但真实数据与 realistic 流量统计的缺乏给工业环境下网络的优化与配置带来了诸多挑战。本文研究了部署于德国Trumpf工厂的一台激光切割机所产生的网络流量数据。我们分析了流量统计特性，捕捉了机器内部状态间的依赖关系，并将网络流量建模为依赖于生产状态的随机过程。所提出的两步模型如下：首先，我们将生产过程建模为多状态半马尔可夫过程；随后，我们利用生成模型学习依赖于生产状态的数据包到达间隔时间与数据包大小的条件分布。我们比较了多种生成模型的性能，包括变分自编码器(VAE)、条件变分自编码器(CVAE)与生成对抗网络(GAN)。数值结果表明，依生产状态对流量到达统计的近似效果良好。在所有生成模型中，CVAE在最小的Kullback-Leibler散度意义上总体提供最佳性能。
引用
@article{arxiv.2211.06089,
title = {A Generative Approach for Production-Aware Industrial Network Traffic Modeling},
author = {Alessandro Lieto and Qi Liao and Christian Bauer},
journal= {arXiv preprint arXiv:2211.06089},
year = {2022}
}