CiiNet: Self-Iterative Performance Optimization for Dynamic Networks Based on Causal Inference and Interpretable Evaluation

doi:10.1109/TON.2025.3626551

CiiNet: Self-Iterative Performance Optimization for Dynamic Networks Based on Causal Inference and Interpretable Evaluation

2026-01-01

0

PRE

AI

DOI：10.1109/TON.2025.3626551

原文链接

原文求助

摘要

En 中文

因果关系推断和根本原因分析通过识别关键参数并解释配置参数如何影响网络关键性能指标（KPIs）在网络安全性能评估和优化中发挥着关键作用。传统性能评估方法可以基于配置参数评估KPIs，但无法解释配置参数如何影响KPIs。此外，静态因果关系发现和推断方法不直接适用于动态网络。为解决这些挑战，我们提出了一种基于因果关系推断和可解释网络评估（CiiNet）的自迭代性能优化方法。CiiNet通过变点检测和分层增量因果关系发现构建因果图。然后，CiiNet引入因果关系推断进行关键参数分析（CPA）。通过干预分析和基于回归的参数学习，CiiNet推断并评估关键参数对KPIs的影响。基于可解释的评估，CiiNet可以进一步自迭代优化关键参数以实现最佳网络性能，并动态获取最优配置。我们的广泛实验表明，CiiNet在因果关系发现、网络性能评估和CPA方面优于其他基准方法。

Keyword:

Network performance optimization

interpretable evaluation

causal discovery

causal inference

critical parameter analysis

CiiNet: Self-Iterative Performance Optimization for Dynamic Networks Based on Causal Inference and Interpretable Evaluation

摘要

期刊

机构

引用论文