.png){kind=icon}
返回
Peering Partner Recommendation for ISPs Using Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TMLCN.2026.3661907.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全球互联网连接高度依赖于互联网服务提供商（ISPs）之间的互连，这通过接入转接服务或通过互联网交换点（IXPs）建立直接对等关系来实现。后者为ISP特定的优化提供了更多空间，但通常涉及冗长且复杂的过程来建立对等协议。自动化对等伙伴选择可以显著降低复杂性。在本文中，我们探讨了利用公开可用的ISP数据来开发一种机器学习（ML）方法，该方法可以预测ISP对是否应该对等。首先，我们通过处理和整合来自公共存储库（如PeeringDB、CAIDA）的信息来构建大规模数据集，并提取一系列多样的自治系统级特征作为ML模型的输入。然后，我们评估了三类广泛的ML模型（即基于树的、基于神经网络的和基于转换器的）在预测对等关系方面的性能。其中，基于树的模型在我们的实验中表现最佳，XGBoost在预测对等伙伴方面达到了98%的准确率，并在平衡准确率和F1分数方面表现出色。此外，该模型对时间、地理区域和数据不完整性变化表现出高鲁棒性，表明其在快速发展的互联网环境中具有良好的泛化能力。我们设想，ISPs可以采用我们的方法来自动化其选择对等伙伴的过程，从而转向更高效和优化的互联网生态系统。
Keyword:
Internet
Feature extraction
Costs
Biological system modeling
Training
Robustness
Accuracy
Routing
Data models
Transformers
Internet exchange points
internet peering
internet service provider
期刊
I
机构
引用论文
分享收藏Dataset meta-level and statistical features affect machine learning performance.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容