改进面向数字孪生网络的真实数据驱动网络评估模型
机器学习
2024-05-15 v1
摘要
随着智能家居、虚拟现实/增强现实等新型大规模服务的出现与普及，日益复杂的网络引发了对高昂运营成本的担忧。因此，网络管理自动化的需求受到强调，数字孪生网络（DTN）技术有望成为自治网络的基础技术。DTN 的优势在于能够在闭环系统中基于实时收集的数据对网络进行操作与系统化，目前其主要为优化场景而设计。为了在优化场景中提升网络性能，有必要选择合适的配置并基于真实数据进行准确的性能评估。然而，目前大多数网络评估模型使用的是仿真数据。同时，根据 DTN 标准文档，人工智能（AI）模型能够确保大规模网络的可扩展性、实时性和准确性。为了优化 DTN 的使用，各项 AI 研究与标准化工作正在进行中。在设计 AI 模型时，考虑数据的特征至关重要。本文提出了一种基于自编码器的跳跃连接消息传递神经网络（AE-SMPN），作为使用真实网络数据的网络评估模型。该模型利用图神经网络（GNN）与循环神经网络（RNN）模型构建，以捕获网络数据的时空特征。此外，采用自编码器（AE）来提取初始特征。该神经网络使用由巴塞罗那网络中心（BNN-UPC）提供的真实 DTN 数据集进行训练，本文给出了模型结构分析及实验结果。
引用
@article{arxiv.2405.08473,
title = {Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks},
author = {Hyeju Shin and Ibrahim Aliyu and Abubakar Isah and Jinsul Kim},
journal= {arXiv preprint arXiv:2405.08473},
year = {2024}
}
备注
accepted at IEEE ICC 2024 Workshop - DDINS