Generalizable and Interpretable Deep Learning for Network Congestion Prediction 论文阅读笔记

Posted on Edited on In

author

Published in2021 ：IEEE第29届网络协议国际会议（ICNP）(https://ieeexplore.ieee.org/xpl/conhome/9651731/proceeding)

  • Department of Electrical Engineering and Institute for Network Science, Yale University, USA

  • IBM Research, USA

  • Naval Research Laboratory, USA

abstract

深度神经网络 (DNN) 都存在两个主要限制。

  1. 它们无法泛化到训练期间看不到的拓扑。 这种普遍性的缺乏阻碍了 DNN 在每次网络系统拓扑发生变化时做出正确决策的能力。
  2. 缺乏可解释性

解决方案：

应用图注意 (GAT) 模型，使用图拓扑和链路负载的时间序列作为输入，对每个链路进行拥塞预测。 对三个真实骨干网络的评估证明了我们提出的方法在预测准确性、普遍性和可解释性方面的优势

INTRODUCTION

啥意思呢 他的意思是 传统DNN 每次都针对特定的拓扑进行训练 玩意堵塞或者故障 就要重新训练

每次网络拓扑发生变化时不断重新训练 DNN 模型的计算效率不高，并且可能会破坏网络操作，尤其是在拓扑发生变化的高度动态设置（例如无线和自组织网络、物联网等）中 规范而不是例外。 同时，由于链接和节点的数量呈指数级增长，我们无法为所有可能的拓扑、数量和排列预先训练单独的模型。

理想情况下，我们希望训练一个模型，该模型可以应用于和泛化到训练期间看不见的拓扑。

注: 貌似并没有明说他是怎么预测的，，

然后介绍了下gat网络

CONGESTION PREDICTION

image-20230409181541978

EVALUATION