Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation

要約

この研究は、複雑なトポロジ環境内のネットワークトラフィックを予測するという課題に焦点を当てています。
グラフ畳み込みネットワーク（GCN）とゲート再生ユニット（GRU）を統合する時空間モデリングアプローチを導入します。
GCNコンポーネントはネットワークノード間の空間依存関係をキャプチャし、GRUコンポーネントはトラフィックデータの時間的進化をモデル化します。
この組み合わせにより、将来のトラフィックパターンの正確な予測が可能になります。
提案されたモデルの有効性は、実際のアビリーンネットワークトラフィックデータセットでの包括的な実験を通じて検証されます。
このモデルは、いくつかの一般的な深い学習方法に対してベンチマークされています。
さらに、グラフ畳み込み層の数、異なる時間モデリング戦略、隣接マトリックスを構築する方法など、パフォーマンスに対するさまざまなコンポーネントの影響を調べるために一連のアブレーション実験が行われます。
結果は、提案されたアプローチが複数のメトリックにわたって優れたパフォーマンスを達成し、複雑なネットワークトラフィック予測シナリオにおける堅牢な安定性と強力な一般化能力を実証することを示しています。

要約(オリジナル)

This study focuses on the challenge of predicting network traffic within complex topological environments. It introduces a spatiotemporal modeling approach that integrates Graph Convolutional Networks (GCN) with Gated Recurrent Units (GRU). The GCN component captures spatial dependencies among network nodes, while the GRU component models the temporal evolution of traffic data. This combination allows for precise forecasting of future traffic patterns. The effectiveness of the proposed model is validated through comprehensive experiments on the real-world Abilene network traffic dataset. The model is benchmarked against several popular deep learning methods. Furthermore, a set of ablation experiments is conducted to examine the influence of various components on performance, including changes in the number of graph convolution layers, different temporal modeling strategies, and methods for constructing the adjacency matrix. Results indicate that the proposed approach achieves superior performance across multiple metrics, demonstrating robust stability and strong generalization capabilities in complex network traffic forecasting scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google