.png){kind=icon}
返回
3DDPS: A traffic matrix estimation method based on three-dimensional diffusion posterior sampling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2024.111007.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流量矩阵（TM）估计是网络管理中的一个基本但高成本的任务。一种合理的方法是通过求解一组线性方程，从低成本的链路负载测量中估计TM。然而，一个开放的挑战是这些线性方程在大多数情况下严重病态。幸运的是，新兴的深度生成模型提供了新的高级方法来有效解决病态问题。在本文中，我们利用扩散模型的强大能力，提出了一种新颖的TM估计框架（命名为3DDPS-TME）。与现有的基于生成模型的TM估计方法不同，我们的新方法将原始TM数据重构为3D张量样本，并将典型的扩散框架修改为3D-UNet以学习TM的空间-时间相关性。此外，我们采用扩散后验采样（DPS）进行条件采样，通过单次采样过程生成无偏的TM。通过广泛的实验和与四种最先进基准的全面比较，实验结果表明，我们的方法在估计精度和时间消耗方面均表现出显著优势。特别地，在仅使用基准方法0.03%至10.43%计算成本的情况下，我们的方法在估计精度上实现了27%至68%的提升。所提出方法的实验代码可在https://github.com/depositoryL/3DDPS-TME.git获取。
Keyword:
Traffic matrix estimation
Network tomography
Denoising diffusion probabilistic model
期刊
IF:
4.6
论文数:
1.7K
被引数:
1.6W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容