基于小波的混合机器学习模型用于分布外互联网流量预测
机器学习
2022-05-10 v1 网络与互联网体系结构
摘要
高效的互联网流量预测对于确保计算机网络的主动管理至关重要。如今，机器学习方法在建模真实世界复杂流量方面展现出良好性能。然而，大多数现有工作假设模型训练与评估数据来自相同分布。但在实际中，模型在部署阶段极有可能处理来自略微或完全未知分布的数据。本文使用eXtreme Gradient Boosting、Light Gradient Boosting Machine、Stochastic Gradient Descent、Gradient Boosting Regressor、CatBoost Regressor及其堆叠集成模型，基于同分布与分布外数据调研并评估了机器学习性能。此外，我们提出了一种集成小波分解的混合机器学习模型，以改善分布外预测，因为独立模型无法很好地泛化。实验结果显示独立集成模型在同分布数据上取得最佳性能，准确率为96.4%，而混合集成模型将其在同分布数据上提升了1%。但当使用三个与训练集分布偏移不同的数据集测试时，其性能显著下降。然而，我们提出的混合模型相比独立模型显著缩小了同分布与分布外评估间的性能差距，表明该分解技术在分布外泛化情况下的有效性。
引用
@article{arxiv.2205.04333,
title = {Wavelet-Based Hybrid Machine Learning Model for Out-of-distribution Internet Traffic Prediction},
author = {Sajal Saha and Anwar Haque and Greg Sidebottom},
journal= {arXiv preprint arXiv:2205.04333},
year = {2022}
}
备注
6 pages, 7 images, Submitted IEEE Global Communications Conference, 2022