从捕获的流量迹构建基于图的深度学习网络模型
网络与互联网体系结构
2023-10-19 v1 机器学习
摘要
目前最先进的网络模型基于或依赖于离散事件仿真（DES）。虽然DES精度很高，但计算成本高且难以并行化，使其不适用于高性能网络仿真。此外，仿真场景无法捕捉真实网络场景中的所有复杂性。尽管存在基于机器学习（ML）技术的网络模型以最小化这些问题，但这些模型同样使用仿真数据训练，因此易受相同缺陷影响。为此，2023年图神经网络挑战赛引入了一个捕获的流量迹数据集，可用于构建无上述限制的基于ML的网络模型。本文提出一种专门设计的基于图神经网络（GNN）的解决方案，以更好地捕捉真实网络场景的复杂性。这通过一种新颖的编码方法实现，以从捕获的数据包序列中捕获信息，以及一种改进的消息传递算法以更好地表示物理网络中的依赖关系。我们表明所提解决方案能够学习并泛化到未见的捕获网络场景。
引用
@article{arxiv.2310.11889,
title = {Building a Graph-based Deep Learning network model from captured traffic traces},
author = {Carlos Güemes-Palau and Miquel Ferriol Galmés and Albert Cabellos-Aparicio and Pere Barlet-Ros},
journal= {arXiv preprint arXiv:2310.11889},
year = {2023}
}
备注
8 pages, 4 figures