面向近最优大规模网络监测的快速近似算法

我们研究大规模网络中的最优流量预测与监测问题。目标是确定应监测哪 K 条链路子集，以便“最佳地”预测网络中其余链路的流量。我们考虑了多种最优性准则。这可以表述为一个组合优化问题，属于子集选择问题族。类似的 NP 难问题出现在统计学、机器学习和信号处理中，包括回归子集选择、变量选择和稀疏逼近。精确解在计算上不可行。我们提出了新的启发式算法以及实现经典贪婪启发式（常用于处理此类组合问题）的新高效算法。我们的方法利用了与主成分分析（PCA）的联系，并产生了新型性能下界，这些下界不要求目标函数的子模性。我们表明，将集成方法应用于我们新的随机化启发式算法，在实践中通常优于经典贪婪启发式。我们在多个大规模网络（包括真实网络）上评估了我们的算法。