論文の概要: Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach
- arxiv url: http://arxiv.org/abs/2411.19493v1
- Date: Fri, 29 Nov 2024 06:20:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:18:41.429869
- Title: Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach
- Title(参考訳): ネットワーク管理を伴う拡散モデル:拡散に基づく交通行列解析の改善
- Authors: Xinyu Yuan, Yan Qiao, Zhenchun Wei, Zeyu Zhang, Minyue Li, Pei Zhao, Rongyao Hu, Wenjing Li,
- Abstract要約: 本稿では拡散型トラフィック行列解析フレームワークDiffusion-TMを提案する。
我々は,データセットに5%の既知値が残されている場合でも,我々のフレームワークが有望な結果を得ることができることを示す。
- 参考スコア(独自算出の注目度): 12.549916064729313
- License:
- Abstract: Due to network operation and maintenance relying heavily on network traffic monitoring, traffic matrix analysis has been one of the most crucial issues for network management related tasks. However, it is challenging to reliably obtain the precise measurement in computer networks because of the high measurement cost, and the unavoidable transmission loss. Although some methods proposed in recent years allowed estimating network traffic from partial flow-level or link-level measurements, they often perform poorly for traffic matrix estimation nowadays. Despite strong assumptions like low-rank structure and the prior distribution, existing techniques are usually task-specific and tend to be significantly worse as modern network communication is extremely complicated and dynamic. To address the dilemma, this paper proposed a diffusion-based traffic matrix analysis framework named Diffusion-TM, which leverages problem-agnostic diffusion to notably elevate the estimation performance in both traffic distribution and accuracy. The novel framework not only takes advantage of the powerful generative ability of diffusion models to produce realistic network traffic, but also leverages the denoising process to unbiasedly estimate all end-to-end traffic in a plug-and-play manner under theoretical guarantee. Moreover, taking into account that compiling an intact traffic dataset is usually infeasible, we also propose a two-stage training scheme to make our framework be insensitive to missing values in the dataset. With extensive experiments with real-world datasets, we illustrate the effectiveness of Diffusion-TM on several tasks. Moreover, the results also demonstrate that our method can obtain promising results even with $5\%$ known values left in the datasets.
- Abstract(参考訳): ネットワークの運用と保守がネットワークトラフィック監視に大きく依存しているため,トラヒックマトリックス分析はネットワーク管理に関わるタスクにおいて最も重要な問題のひとつとなっている。
しかし、高い測定コストと避けられない伝送損失のため、コンピュータネットワークにおける正確な測定を確実に得ることは困難である。
近年提案されている手法によっては、部分フローレベルまたはリンクレベルの測定からネットワークトラフィックを推定できるが、近年ではトラフィック行列推定にはあまり役に立たない場合が多い。
低ランク構造や先行分布といった強い仮定にもかかわらず、既存の技術は通常タスク固有であり、現代のネットワーク通信は極めて複雑で動的であるため、著しく悪化する傾向がある。
このジレンマに対処するために,Diffusion-TMという拡散型トラフィック行列解析フレームワークを提案する。
このフレームワークは、拡散モデルの強力な生成能力を利用して現実的なネットワークトラフィックを生成するだけでなく、デノナイズプロセスを利用して、理論的保証のもと、すべてのエンドツーエンドトラフィックをプラグイン・アンド・プレイで不偏に推定する。
さらに、無傷なトラフィックデータセットのコンパイルが通常不可能であることを考慮して、我々のフレームワークがデータセットの欠落した値に敏感になるように、2段階のトレーニングスキームも提案する。
実世界のデータセットを用いた広範な実験により、ディフュージョンTMがいくつかのタスクにおいて有効であることを示す。
さらに,本手法は,データセットに5\%の既知値が残されている場合でも,有望な結果が得られることを示す。
関連論文リスト
- Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph [5.64836465356865]
ネットワークトラフィック検出のための多視点相関対応フレームワークFlowIDを提案する。
FlowIDは時間的およびインタラクションの認識を通じてマルチビュートラフィックの特徴をキャプチャし、ハイパーグラフエンコーダはフロー間の高次関係をさらに探求する。
FlowIDは,様々なネットワークシナリオにおいて,既存の手法よりも精度,堅牢性,一般化に優れることを示す。
論文 参考訳(メタデータ) (2025-01-15T06:17:06Z) - NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳(メタデータ) (2024-12-30T00:47:49Z) - RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文 参考訳(メタデータ) (2024-05-08T17:28:07Z) - Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳(メタデータ) (2024-03-27T15:57:42Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳(メタデータ) (2023-03-10T02:22:33Z) - Adversarial contamination of networks in the setting of vertex
nomination: a new trimming method [5.915837770869619]
スペクトルグラフの埋め込みは、アルゴリズムの性能とフレキシブルな設定を提供する。
ブロック構造汚染とホワイトノイズ汚染の両方に対処できるモデル空間で動作する新しいトリミング法を提案する。
このモデルトリミングは理論解析に適しており、多くのシミュレーションにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-20T15:32:04Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳(メタデータ) (2022-02-21T19:45:15Z) - Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
論文 参考訳(メタデータ) (2022-01-20T06:36:35Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-16T18:39:04Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。