Masked Generative Models for Real-Time Network Traffic Forecasting

doi:10.1109/JIOT.2026.3681003

Masked Generative Models for Real-Time Network Traffic Forecasting

2026-04-06

0

PRE

AI

DOI：10.1109/JIOT.2026.3681003

原文链接

原文求助

摘要

En 中文

网络流量预测对于动态资源分配和网络管理至关重要。然而，由于不完整数据的限制，现实场景中的实时网络流量预测具有挑战性。在本文中，我们提出了一种掩码生成模型（MGM）用于从不完整数据中进行实时网络流量预测。首先，我们将预测任务表述为低管秩张量补全（TC）问题，并验证生成模型可以通过低维潜在变量生成低管秩张量。其次，我们提出了MGM，它将掩码自编码器适配到从残缺的流量数据中稳健地学习潜在变量。然后，这些变量通过预训练的生成模型映射到完整的低管秩流量张量，以进行实时预测。我们还建立了一个性能保证，量化了所提出方法的误差界限。最后，在真实世界数据集上的实验表明，我们的方法在100毫秒内实现了准确的网络流量预测，其归一化均方根误差（NRMSE）低于0.1。

Keyword:

Generative model

gradient descent

masked autoencoder

network traffic forecasting

tensor completion (TC)

Masked Generative Models for Real-Time Network Traffic Forecasting

摘要

期刊

机构

引用论文