Atom：基于时空图神经网络的神经流量压缩
网络与互联网体系结构
2023-11-10 v1
摘要
存储网络流量数据是实现高效网络管理的关键；然而，由于数据传输速率、流量量和连接设备不断增长，这正变得更具挑战性和成本更高。在本文中，我们探索使用神经架构进行网络流量压缩。具体地，我们考虑一个具有网络拓扑中多个测量点的网络场景。此类测量可解释为多个时间序列，其展现出由网络拓扑、路由或用户行为引起的空间和时间相关性。我们提出 \textit{Atom}，一种利用网络流量中存在的空间和时间相关性的神经流量压缩方法。\textit{Atom} 实现了定制的时空图神经网络设计，有效同时利用两类相关性。实验结果表明，在三个真实世界网络上，\textit{Atom} 的压缩比可比 GZIP 高出 50%–65%。
引用
@article{arxiv.2311.05337,
title = {Atom: Neural Traffic Compression with Spatio-Temporal Graph Neural Networks},
author = {Paul Almasan and Krzysztof Rusek and Shihan Xiao and Xiang Shi and Xiangle Cheng and Albert Cabellos-Aparicio and Pere Barlet-Ros},
journal= {arXiv preprint arXiv:2311.05337},
year = {2023}
}
备注
7 pages, 6 figures, 2nd International Workshop on Graph Neural Networking (GNNet '23)