面向规模自由互联网路由与延迟预测的时序双曲图表示学习
机器学习
2026-05-28 v1 网络与互联网体系结构
摘要
预测互联网往返时间（RTT）对于路由优化、服务质量（QoS） provisioning 以及流量工程至关重要，但由于长期时序依赖、路由动态的演变以及延迟分布的重尾特性，仍面临挑战。虽然时序图神经网络（TGNN）能够建模演化中的网络拓扑，但大多数现有方法在欧几里得空间中运行，难以捕捉互联网路由图的层次结构和规模自由特性。双曲几何提供了更合适的表示空间。我们提出了HERMIT（Hyperbolic Edge-aware RTT Modeling via Integrated Topology），一个混合框架，结合保持双曲manifold的时序GNN与随机森林回归器，用于联合链接预测和RTT预测。基于HMPTGN，HERMIT引入了RTT感知的边缘特征和可学习的边缘编码器，以改进对演化链接状态和路由行为的建模。最终，双曲节点表示与历史RTT统计信息相结合，可实现稳健的延迟预测。我们在覆盖2015-2024年的大规模真实互联网数据集上评估了HERMIT。HERMIT consistently优于仅使用历史RTT统计信息的强随机森林基线，实现了6%的RMSE改进，同时对重尾样本的大误差显著降低。它还在链接预测性能上超越了先前的双曲时序GNN模型，包括HMPTGN和HTGN。这些结果表明， 将双曲时序图学习与基于树的方法的回归相结合，为实际互联网拓扑中的RTT预测提供了可扩展的解决方案。
引用
@article{arxiv.2605.28155,
title = {Temporal Hyperbolic Graph Representation Learning for Scale-Free Internet Routing and Delay Prediction},
author = {Yi-Ling Kuo and Hao-Yu Tien and Shih-Yu Tsai},
journal= {arXiv preprint arXiv:2605.28155},
year = {2026}
}