論文の概要: Real-Time Network Traffic Forecasting with Missing Data: A Generative Model Approach

• arxiv url: http://arxiv.org/abs/2506.09647v1
• Date: Wed, 11 Jun 2025 12:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.924179
• Title: Real-Time Network Traffic Forecasting with Missing Data: A Generative Model Approach
• Title（参考訳）: 欠測データを用いたリアルタイムネットワークトラフィック予測:生成モデルによるアプローチ
• Authors: Lei Deng, Wenhan Xu, Jingwei Li, Danny H. K. Tsang,
• Abstract要約: 本稿では,欠落データを用いたリアルタイムネットワークトラフィック予測のための生成モデルを提案する。 実世界のデータセットを用いた実験では,平均絶対誤差(MAE)が0.002以下で,100ミリ秒以内の正確なネットワークトラフィック予測が達成された。
• 参考スコア（独自算出の注目度）: 10.067658381232624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time network traffic forecasting is crucial for network management and early resource allocation. Existing network traffic forecasting approaches operate under the assumption that the network traffic data is fully observed. However, in practical scenarios, the collected data are often incomplete due to various human and natural factors. In this paper, we propose a generative model approach for real-time network traffic forecasting with missing data. Firstly, we model the network traffic forecasting task as a tensor completion problem. Secondly, we incorporate a pre-trained generative model to achieve the low-rank structure commonly associated with tensor completion. The generative model effectively captures the intrinsic low-rank structure of network traffic data during pre-training and enables the mapping from a compact latent representation to the tensor space. Thirdly, rather than directly optimizing the high-dimensional tensor, we optimize its latent representation, which simplifies the optimization process and enables real-time forecasting. We also establish a theoretical recovery guarantee that quantifies the error bound of the proposed approach. Experiments on real-world datasets demonstrate that our approach achieves accurate network traffic forecasting within 100 ms, with a mean absolute error (MAE) below 0.002, as validated on the Abilene dataset.
• Abstract（参考訳）: リアルタイムネットワークトラフィック予測は、ネットワーク管理と早期リソース割り当てに不可欠である。 既存のネットワークトラフィック予測手法は、ネットワークトラフィックデータが完全に観測されていると仮定して動作する。 しかし、実際のシナリオでは、収集されたデータは様々な人的・自然的な要因のために不完全であることが多い。 本稿では,欠落データを用いたリアルタイムネットワークトラフィック予測のための生成モデルを提案する。 まず,ネットワークトラフィック予測タスクをテンソル完了問題としてモデル化する。 次に,テンソル完備化に伴う低ランク構造を実現するために,事前学習した生成モデルを組み込んだ。 生成モデルは、事前学習中にネットワークトラフィックデータの固有の低ランク構造を効果的に捕捉し、コンパクトな潜在表現からテンソル空間へのマッピングを可能にする。 第三に、高次元テンソルを直接最適化するのではなく、その潜在表現を最適化し、最適化プロセスを単純化し、リアルタイム予測を可能にする。 また,提案手法の誤差境界を定量化する理論的回復保証を確立する。 Abileneデータセットで検証された平均絶対誤差(MAE)を0.002以下とすることで,100ミリ秒以内の正確なネットワークトラフィック予測を実現することを示す。

関連論文リスト

• 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)
• Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach [12.549916064729313]
  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。
  論文  参考訳（メタデータ） (2024-11-29T06:20:34Z)
• Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
  基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。 従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。 本稿では,フローレベルでグラフベースの新しい代替案を提案する。
  論文  参考訳（メタデータ） (2024-09-12T15:04:34Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
  本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。 次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。 実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T10:46:31Z)
• Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
  本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-04-21T15:57:08Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。