.png){kind=icon}
返回
Routing-Oblivious and Data-Efficient Network Tomography With Flow-Based Generative Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TON.2026.3665293.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鉴于直接测量交通矩阵（TM）的高昂成本，研究人员已致力于通过求解一组严重病态的线性方程来设计从低成本链路负载中估计完整TM的方法。如今日益复杂的网络带来了更大的挑战：随着自适应和动态变化的路由策略逐渐取代传统的固定路由方案，这些方程中的路由矩阵已无法被视为可靠。在先前的研究中，我们开创了一种基于流量的生成模型FlowTM，该模型通过建立TM与链路负载之间的可逆相关性来估计TM，而无需依赖路由矩阵。我们证明，病态方程中的缺失信息可以从TM中解耦，并与可逆映射共同学习。考虑到为FlowTM获取完整的训练集在实际网络中往往不切实际，我们在本次扩展工作中进一步提出了增强模型FlowTM+。它整合了Inspector模块，以从部分观测的TM数据和链路负载测量中挖掘更深层的潜在结构。这一新技术有效补偿了训练数据中不可观测的信息。大量实验表明，当实际路由矩阵缺失时，FlowTM将最佳基线的性能提升了38%–58%。值得注意的是，仅使用2%的训练数据，FlowTM+即可达到与使用完整路由知识和完整训练数据训练的前沿基线相当估计精度。
Keyword:
Traffic matrix estimation
network tomography
flow-based generative model
期刊
I
IF:
0
论文数:
551
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏
查看更多内容