論文の概要: Harnessing Generative Pre-Trained Transformer for Datacenter Packet Trace Generation

• arxiv url: http://arxiv.org/abs/2501.12033v1
• Date: Tue, 21 Jan 2025 10:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:08.266497
• Title: Harnessing Generative Pre-Trained Transformer for Datacenter Packet Trace Generation
• Title（参考訳）: データセンターパケットトレース生成のための生成前訓練変圧器のハーネス化
• Authors: Chen Griner,
• Abstract要約: 本稿では,GPT(Generative Pre-trained Transformer)アーキテクチャに基づくDTG(パケットレベルデータセンタトラヒックジェネレータ)であるDTG-GPTを紹介する。 DTG-GPTは,実トラフィックトレースに見られる時間的パターンを模倣した新しいトレースを合成できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Today, the rapid growth of applications reliant on datacenters calls for new advancements to meet the increasing traffic and computational demands. Traffic traces from datacenters are essential for further development and optimization of future datacenters. However, traces are rarely released to the public. Researchers often use simplified mathematical models that lack the depth needed to recreate intricate traffic patterns and, thus, miss optimization opportunities found in realistic traffic. In this preliminary work, we introduce DTG-GPT, a packet-level Datacenter Traffic Generator (DTG), based on the generative pre-trained transformer (GPT) architecture used by many state-of-the-art large language models. We train our model on a small set of available traffic traces from different domains and offer a simple methodology to evaluate the fidelity of the generated traces to their original counterparts. We show that DTG-GPT can synthesize novel traces that mimic the spatiotemporal patterns found in real traffic traces. We further demonstrate that DTG-GPT can generate traces for networks of different scales while maintaining fidelity. Our findings indicate the potential that, in the future, similar models to DTG-GPT will allow datacenter operators to release traffic information to the research community via trained GPT models.
• Abstract（参考訳）: 今日、データセンターに依存したアプリケーションの急速な成長は、トラフィックと計算需要の増加に対応するために、新たな進歩を要求する。 データセンタからのトラフィックトレースは、将来のデータセンタの開発と最適化に不可欠である。 しかし、トレースが一般に公開されることは滅多にない。 研究者はしばしば、複雑なトラフィックパターンを再現するために必要な深さを欠いた単純化された数学的モデルを使用し、現実的なトラフィックで見られる最適化の機会を逃す。 本稿では,多くの最先端の大規模言語モデルで使用されている生成事前学習型トランスフォーマ(GPT)アーキテクチャに基づく,パケットレベルのデータセンタートラフィックジェネレータ(DTG)であるDTG-GPTを紹介する。 我々は、異なるドメインから利用可能なトラフィックトレースの小さなセットでモデルをトレーニングし、生成されたトレースの完全性を評価するための簡単な方法論を提供する。 DTG-GPTは,実トラフィックトレースに見られる時空間パターンを模倣した新しいトレースを合成できることを示す。 さらに、DTG-GPTは、忠実性を維持しながら、異なるスケールのネットワークに対してトレースを生成することができることを示す。 この結果から,将来,DTG-GPTと類似したモデルが,訓練されたGPTモデルを通じてデータセンタオペレーターが研究コミュニティに交通情報を公開できる可能性が示唆された。

関連論文リスト

• STGformer: Efficient Spatiotemporal Graph Transformer for Traffic Forecasting [11.208740750755025]
  交通はスマートシティマネジメントの基盤であり、効率的なアロケーションと交通計画を可能にしている。 ディープラーニングは、データの複雑な非線形パターンをキャプチャする能力を持ち、トラフィック予測の強力なツールとして登場した。 グラフニューラルネットワーク(GCN)とトランスフォーマーベースのモデルは、将来性を示しているが、その計算要求はしばしば、現実のネットワークへの応用を妨げる。 本稿では,管理可能な計算フットプリントを維持しつつ,グローバルおよびローカルの両方のトラフィックパターンの効率的なモデリングを可能にする新しいテンポラルグラフトランスフォーマー(STG)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:15:48Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• TelTrans: Applying Multi-Type Telecom Data to Transportation Evaluation and Prediction via Multifaceted Graph Modeling [29.41878123692351]
  我々は,移動パターンを捉えるためにセルトラフィックを広範囲に網羅する新しいデータソースである地理セルトラフィック(GCT)フローを提示する。 本稿では,多変量,時空間,空間面を統合し,精度を向上させるグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-01-06T06:44:06Z)
• G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
  我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。 次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。 その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Large-Scale Traffic Data Imputation with Spatiotemporal Semantic Understanding [26.86356769330179]
  本研究では,GT-TDIモデルを用いて,ネットワークを意味論的に理解した大規模交通データをインプットする手法を提案する。 提案モデルは、グラフニューラルネットワーク(GNN)とトランスフォーマーの助けを借りてタスクを実行するために、不完全データ、センサのソーシャル接続、セマンティック記述を入力として利用する。 その結果,提案したGT-TDIモデルは,複雑な欠落パターンと多彩な欠落率で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-01-27T13:02:19Z)
• A new hope for network model generalization [66.5377859849467]
  ネットワークトラフィックダイナミクスのための機械学習モデルを一般化することは、失われた原因とみなされる傾向がある。 _Transformer_と呼ばれるMLアーキテクチャは、これまで想像不可能だった他のドメインでの一般化を可能にした。 パケットトレースからネットワークダイナミクスを学習するためのNTT(Network Traffic Transformer)を提案する。
  論文  参考訳（メタデータ） (2022-07-12T21:16:38Z)
• Few-Shot Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases [7.173242326298134]
  多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。 本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。 また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
  論文  参考訳（メタデータ） (2022-03-08T09:46:50Z)
• DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic Prediction [7.476566278759198]
  このようなデータに最先端のディープラーニング技術を活用することで、都市交通予測はAIとインテリジェントトランスポーテーションシステムコミュニティに大きな注目を集めている。 具体的なモデリング戦略によると、最先端のディープラーニングモデルは、グリッドベース、グラフベース、時系列モデルという3つのカテゴリに分けられる。
  論文  参考訳（メタデータ） (2021-08-20T10:08:26Z)
• TransMOT: Spatial-Temporal Graph Transformer for Multiple Object Tracking [74.82415271960315]
  映像内の物体間の空間的・時間的相互作用を効率的にモデル化するソリューションであるTransMOTを提案する。 TransMOTは従来のTransformerよりも計算効率が高いだけでなく、トラッキング精度も向上している。 提案手法は、MOT15、MOT16、MOT17、MOT20を含む複数のベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-04-01T01:49:05Z)
• Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
  本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。 Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-12T09:18:36Z)

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。