用于通信网络性能指标预测的更深更宽网络
网络与互联网体系结构
2024-01-02 v1 信号处理
摘要
在当今时代，用户对通信网络的性能和效率期望越来越高。网络运营商希望通过数字孪生网络（DTN）实现高效的网络规划、运营和优化。DTN的有效性在很大程度上依赖于网络模型，而图神经网络（GNN）在网络建模中起着关键作用。然而，现有的网络建模方法仍然缺乏对通信网络的全面理解。本文提出了DWNet（更深更宽网络），一种基于数据驱动的异构图神经网络建模方法，旨在预测网络模型中的端到端延迟和抖动。该方法有两个显著特点：首先，它在消息传递过程中引入了更深层次的状态参与；其次，在特征融合过程中广泛整合了相关特征。通过实验验证和评估，我们的模型相比之前的研究成果实现了更高的预测精度，特别是在处理模型训练中未见过的网络拓扑时。我们的模型不仅提供了更准确的预测，而且在不同的拓扑结构上表现出更强的泛化能力。
引用
@article{arxiv.2401.00429,
title = {Deeper and Wider Networks for Performance Metrics Prediction in Communication Networks},
author = {Aijia Liu and Shiqing Liu and Xiaobing Pei},
journal= {arXiv preprint arXiv:2401.00429},
year = {2024}
}