TransMUSE：多业务边缘网络中的可迁移流量预测
网络与互联网体系结构
2022-03-07 v1
摘要
新冠疫情迫使劳动力转向居家办公，这给宽带网络管理带来了沉重负担，并要求在网络边缘进行按业务的智能化资源优化。在此背景下，网络流量预测对于运营商在广大地理区域提供可靠连接至关重要。尽管神经网络设计的最新进展已展现出有效应对预测任务的潜力，但本文基于真实测量揭示，不同地区的网络流量差异显著。因此，在一个地区历史流量数据上训练的模型难以在其他区域做出准确预测。为不同地区训练定制模型固然可行，但该方法测量开销大、计算成本高且难以扩展。为此，本文提出TransMUSE，一种新颖的深度学习框架，它对相似业务进行聚类，按流量特征相似性将边缘节点分组为簇，并采用基于Transformer的多业务流量预测网络（TMTPN），该网络可在簇内直接迁移而无需任何定制。我们证明，在流量预测方面，与为每个边缘节点单独训练模型的设定相比，TransMUSE在平均绝对误差（MAE）上的性能退化微不可察。此外，我们提出的TMTPN架构优于当前最优方法（SOTA），在多业务流量预测任务中MAE最高降低43.21%。据我们所知，这是首项联合采用模型迁移与多业务流量预测以降低测量开销，同时为边缘业务供给提供细粒度准确需求预测的工作。
引用
@article{arxiv.2203.02083,
title = {TransMUSE: Transferable Traffic Prediction in MUlti-Service EdgeNetworks},
author = {Luyang Xu and Haoyu Liu and Junping Song and Rui Li and Yahui Hu and Xu Zhou and Paul Patras},
journal= {arXiv preprint arXiv:2203.02083},
year = {2022}
}