面向可扩展网络流量估计的图卷积与序列建模联合方法
机器学习
2025-05-13 v1
摘要
本研究聚焦于预测复杂拓扑环境中的网络流量。我们引入一种时空建模方法，将图卷积网络（GCN）与门控循环单元（GRU）相结合。GCN 组件捕获网络节点之间的空间依赖关系，而 GRU 组件则建模流量数据的时序演化。这种组合方式实现了对未来流量模式的精确预测。通过在真实世界的 Abilene 网络流量数据集上进行实验验证了所提方法的有效性。该模型在多个主流深度学习方法基准测试中进行比较。此外，还开展了一系列消融实验，探讨了包括图卷积层数、不同时序建模策略以及邻接矩阵构建方法对性能的影响。结果表明，所提方法在多项指标上均实现了优异性能，展现出在复杂网络流量预测场景中的稳健性和强大的泛化能力。
引用
@article{arxiv.2505.07674,
title = {Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation},
author = {Nan Jiang and Wenxuan Zhu and Xu Han and Weiqiang Huang and Yumeng Sun},
journal= {arXiv preprint arXiv:2505.07674},
year = {2025}
}