TG-DIN: 一种用于可泛化服务质量测量与预测的理论引导需求推断网络
网络与互联网体系结构
2026-05-18 v1
摘要
在本文中，我们介绍了 TG-DIN，这是一种理论引导的需求推断网络，旨在从可观测的网络服务质量（QoS）测量中推断潜在的用户需求。TG-DIN 并非直接使用黑盒模型预测 QoS 结果，而是将潜在需求显式建模为中间变量，并通过一个基于调度和排队原理的可微分理论层将其与可观测行为联系起来。这种设计产生了一个可解释的、机制一致的用户需求表示，可直接应用于下游任务，如拥塞诊断、资源分配、容量规划和策略评估。该理论层进一步实现了一种原则性的随机化训练机制，使模型能够接触到多样化但物理上有意义的运行条件，而无需标记的需求数据。大量合成实验表明，TG-DIN 在不同容量、需求水平和流量模式下都能稳健泛化，在分布偏移下显著优于纯数据驱动的基线方法。此外，当仅在合成数据上训练并直接应用于真实数据包轨迹时，TG-DIN 能够准确恢复共享链路场景中的每用户分配结构。这些结果共同证明了理论引导的归纳偏置在动态网络环境中实现可迁移、可部署推断的有效性。
引用
@article{arxiv.2605.15550,
title = {TG-DIN: Theory-Guided Demand Inference Network for Generalizable QoS Measurement and Prediction},
author = {Fuliang Yang and Feng Ye},
journal= {arXiv preprint arXiv:2605.15550},
year = {2026}
}
备注
Submitted to an ACM conference