ZipNet-GAN：通过生成对抗神经网络推断细粒度移动流量模式
网络与互联网体系结构
2017-11-08 v1 机器学习
摘要
大规模移动流量分析正变得对数字基础设施配置、公共交通、事件规划及其他领域至关重要。然而，监测全市范围的移动流量是一个复杂且昂贵的过程，依赖于专用探针。其中一些探针精度或覆盖有限，另一些每日收集数十GB日志，单独提供的洞察有限。提取细粒度模式涉及昂贵的测量空间聚合、存储与后处理。本文中，我们提出一种移动流量超分辨率技术，通过从粗粒度测量推断窄局部化流量消耗来克服这些问题。我们从图像处理汲取灵感，设计了针对移动网络定制的深度学习架构，结合Zipper网络(ZipNet)与生成对抗神经网络(GAN)模型。这能够独特地捕捉 routinely 在广泛覆盖区域监测的流量体积快照(“低分辨率”)与通常在密集计算后获得的0.05 km层级相应消耗(“高分辨率”)之间的时空关系。我们使用真实世界数据集进行的实验表明，所提出的ZipNet(-GAN)以显著精度推断流量消耗，粒度比标准探测高至多100，同时优于现有数据插值技术。据我们所知，这是超分辨率概念首次应用于大规模移动流量分析，且我们的方案是首个从粗粒度聚合推断细粒度城市流量模式的方案。
引用
@article{arxiv.1711.02413,
title = {ZipNet-GAN: Inferring Fine-grained Mobile Traffic Patterns via a Generative Adversarial Neural Network},
author = {Chaoyun Zhang and Xi Ouyang and Paul Patras},
journal= {arXiv preprint arXiv:1711.02413},
year = {2017}
}
备注
To appear ACM CoNEXT 2017