PLATONT：用于统一网络测绘的柱体表示学习
机器学习
2025-11-20 v1 网络与互联网体系结构
摘要
网络测绘旨在从外部观察中推断隐藏的网络状态, 如链路性能、流量负载和拓扑结构. 大多数现有方法是分别解决这些问题的, 且依赖于有限的任务特定信号, 这限制了泛化和可解释性. 我们提出了 PLATONT, 一个统一框架, 将不同网络指标(如延迟、丢包、带宽)建模为共享潜在网络状态的投影. 根据柱体表示假设, PLATONT 通过多模态对齐和对比学习学习此潜在状态. 通过在共享潜在空间中训练多个测绘任务, 它构建紧凑且结构化的表示, 以提高跨任务泛化. 在合成数据集和真实世界数据集上的实验表明, PLATONT 在链路估计、拓扑推断和流量预测中 consistently 优于现有方法, 在不同网络条件下实现更高的准确性和更强的鲁棒性.
引用
@article{arxiv.2511.15251,
title = {PLATONT: Learning a Platonic Representation for Unified Network Tomography},
author = {Chengze Du and Heng Xu and Zhiwei Yu and Bo Liu and Jialong Li},
journal= {arXiv preprint arXiv:2511.15251},
year = {2025}
}