論文の概要: Toward Composable Network Digital Twins: A Subgraph-Based Latency Prediction Study

• arxiv url: http://arxiv.org/abs/2609.18704v2
• Date: Fri, 18 Sep 2026 10:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.704304
• Title: Toward Composable Network Digital Twins: A Subgraph-Based Latency Prediction Study
• Title（参考訳）: 構成可能なネットワークディジタル双対を目指して:サブグラフに基づくレイテンシ予測に関する研究
• Abstract要約: ネットワークディジタルツイン(NDT)は、ネットワークシナリオにおけるパフォーマンス推定のための何れかの分析を可能にする。 本稿では,再利用可能な単位双対に代表される部分グラフにネットワークを分解する構成可能なNDT手法を提案する。 軽量な作曲家は、ユニットツインの組み合わせを集約して、全体的なトポロジを通じて、ルート毎のエンドツーエンドレイテンシを予測するNDTを生成する。
• 参考スコア（独自算出の注目度）: 0.97443237568207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern networks must support changing topologies, configurations, and performance objectives, motivating fast and reliable performance estimation. Network digital twins (NDTs) enable what-if analysis for performance estimation in such network scenarios, however, existing machine learning-based NDT approaches often rely on entire topology representations, which are inherently monolithic and lack reusability under topological or traffic changes in the network. This paper introduces a composable NDT approach that decomposes networks into subgraphs represented by reusable unit twins that capture subgraph structure, configuration and traffic behaviours. A lightweight composer aggregates unit twin combinations to create NDTs that predict per-route end-to-end latency through an overall topology. Evaluation across controlled synthetic topologies and diverse traffic scenarios, real-world Topology Zoo topologies, and a public NDT challenge dataset demonstrates that the composable NDTs achieve high in-distribution accuracy while remaining stable under out-of-distribution scenarios. Comparison with monolithic full topology NDTs demonstrates that our composable approach achieves reusability, while achieving comparable or superior accuracy.
• Abstract（参考訳）: 最新のネットワークは、トポロジ、構成、パフォーマンス目標の変更をサポートし、高速で信頼性の高いパフォーマンス推定を動機付けなければならない。 しかし、既存の機械学習ベースのNDTアプローチは、本質的にモノリシックであり、ネットワーク内のトポロジやトラフィックの変化下での再利用性に欠けるトポロジ表現全体に依存することが多い。 本稿では,再利用可能なユニット双対が表現するサブグラフにネットワークを分解し,サブグラフの構造,構成,トラフィックの挙動をキャプチャする構成可能なNDT手法を提案する。 軽量な作曲家は、ユニットツインの組み合わせを集約して、全体的なトポロジを通じて、ルート毎のエンドツーエンドレイテンシを予測するNDTを生成する。 制御された合成トポロジと多様なトラフィックシナリオ、現実世界のトポロジ・トポロジ、パブリックなNDTチャレンジデータセットによる評価は、構成可能なNDTは、配布外のシナリオ下で安定しながら、高い分配精度を達成することを示した。 モノリシックフルトポロジNDTと比較すると、コンポーザブルアプローチが再利用可能性を達成する一方で、同等または優れた精度を達成することが示される。

関連論文リスト

• On the Generalization Behavior of Deep Residual Networks From a Dynamical System Perspective [1.0388986221727612]
  ディープニューラルネットワーク(DNN)は非常に高度な機械学習を持ち、モデル深度は彼らの成功に中心的な役割を果たす。 本研究では,Rademacher複雑性,動的システムのフローマップ,ResNetsの深層限界における収束挙動を組み合わせることで,離散的および連続的残差ネットワーク(ResNets)の一般化誤差境界を確立する。 Findingsは、離散時間と連続時間の両方のResNet間の一般化の統一的な理解を提供し、サンプルの複雑さの順序と離散時間と連続時間設定の間の仮定のギャップを埋めるのに役立ちます。
  論文  参考訳（メタデータ） (2026-02-24T13:59:06Z)
• On Transferring, Merging, and Splitting Task-Oriented Network Digital Twins [30.093419399398595]
  ネットワークデジタルツイン(NDT)は、ネットワークインフラストラクチャの運用プロセスと属性を正確に表現する。 統一双対変換フレームワークにおけるNDT間の内部および相互運用について検討する。 このフレームワークは、タスク指向双生児を作成するためのNDTの効率的な転送、マージ、分割のための新しいコンピューティングパラダイムを明らかにする。
  論文  参考訳（メタデータ） (2025-09-02T17:48:52Z)
• A Constructive Framework for Nondeterministic Automata via Time-Shared, Depth-Unrolled Feedforward Networks [0.0]
  非決定論的有限オートマトン(NFA)の時間分割・深度制御型フィードフォワードネットワーク(TS-FFN)を用いたフォーマルで建設的なシミュレーションフレームワークを提案する。 我々の定式化は、二進ベクトルとしてのオートマトン状態、スパース行列変換としての遷移、および共有しきい値更新の合成としての$varepsilon$-closuresを含む非決定的分岐を含む非決定論的分岐を象徴的に符号化する。
  論文  参考訳（メタデータ） (2025-05-30T01:18:35Z)
• Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation [11.751952500567388]
  本研究では,複雑なトポロジカル環境におけるネットワークトラフィック予測の課題に焦点を当てた。 グラフ・コンテンポラル・ネットワーク(GCN)とGRU(Gated Recurrent Units)モデリング・アプローチを導入している。 提案モデルの有効性は,実世界のアビリーンネットワークトラフィックデータセットに関する総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-05-12T15:38:19Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• SPP-CNN: An Efficient Framework for Network Robustness Prediction [13.742495880357493]
  本稿では,空間ピラミッドプール畳み込みニューラルネットワーク(SPP-CNN)のネットワークロバスト性予測のための効率的なフレームワークを開発する。 新しいフレームワークは、畳み込み層と完全に接続された層の間に空間ピラミッドプーリング層を設置し、CNNベースの予測アプローチにおける一般的なミスマッチ問題を克服する。
  論文  参考訳（メタデータ） (2023-05-13T09:09:20Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。