M3Net：基于图神经网络的多指标混合专家网络数字孪生体
网络与互联网体系结构
2025-12-11 v1 机器学习
摘要
5G/6G 网络技术的兴起承诺将促进自动驾驶和虚拟现实等应用的发展，导致连接设备数量显著增加，进而使网络管理变得复杂化。更糟糕的是，这些应用往往对诸如时延和可靠性等指标具有严格且异构的性能要求。因此，近期大量研究聚焦于developing 预测网络性能的能力。然而，传统的网络建模方法，如离散事件仿真器和仿真系统，往往难以在准确性和可扩展性之间取得平衡。受机器学习增强的网络数字孪生体(NDT)为创建物理网络的虚拟副本，提供了实时仿真与分析的可行解决方案。然而，现有最先进模型不足以构成完整的 NDT，因其往往仅关注单一性能指标或仿真网络数据。我们引入 M3Net，一种多指标混合专家(MoE)NDT，采用图神经网络架构在多种情景下，从扩充的网络状态数据中估计多个性能指标。我们展示了 M3Net 在流延迟预测中的准确性显著提升，通过将 MAPE(平均绝对百分比误差)从 20.06% 降低至 17.39%，同时在每个流的抖动和丢包率上分别实现 66.47% 和 78.7% 的准确率。
引用
@article{arxiv.2512.09797,
title = {M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks},
author = {Blessed Guda and Carlee Joe-Wong},
journal= {arXiv preprint arXiv:2512.09797},
year = {2025}
}