FedNET：用于主动流量管理与网络容量规划的联邦学习
机器学习
2025-11-11 v1
摘要
我们提出了 FedNET，这是一个用于大规模通信网络中高风险链路早期识别的主动且保护隐私的框架，它利用了分布式多步流量预测方法。FedNET 采用联邦学习以分布式方式对节点级流量的时间演化进行建模，在不暴露敏感网络数据的情况下实现准确的多步提前预测（例如，数小时至数天）。利用这些节点级预测和已知的路由信息，FedNET 通过聚合所有源-目的地对之间的流量贡献来估计未来的链路级利用率。然后根据预测的负载强度和时间变异性对链路进行排序，为潜在的高风险链路提供预警信号。我们将 FedNET 的联邦流量预测与集中式多步学习基线进行比较，然后使用 分数系统分析历史窗口和预测窗口大小对预测精度的影响。结果表明，FL 实现了接近集中式训练的精度，其中较短的预测范围始终产生最高精度（），而较长的范围提供了有意义的预测（）。我们进一步在现实网络拓扑上验证了 FedNET 框架在预测网络利用率方面的有效性，并证明它能在关键压力状态出现之前足够早地（即提前三天）一致地识别出高风险链路，使其成为预期流量工程和容量规划的实用工具。
引用
@article{arxiv.2511.06797,
title = {FedNET: Federated Learning for Proactive Traffic Management and Network Capacity Planning},
author = {Saroj Kumar Panda and Basabdatta Palit and Sadananda Behera},
journal= {arXiv preprint arXiv:2511.06797},
year = {2025}
}