隨著邊緣計(jì)算技術(shù)的應(yīng)用與發(fā)展,大量流量被卸載到邊緣進(jìn)行處理,改變了數(shù)據(jù)在網(wǎng)絡(luò)中的流向。針對(duì)邊緣網(wǎng)絡(luò)開展高精度、細(xì)粒度的流量預(yù)測(cè)研究對(duì)于基于邊緣節(jié)點(diǎn)的網(wǎng)絡(luò)資源優(yōu)化、網(wǎng)絡(luò)資源編排、網(wǎng)絡(luò)智能管理具有重要意義。面向多邊緣節(jié)點(diǎn)網(wǎng)絡(luò)拓?fù)?,我中心先進(jìn)網(wǎng)絡(luò)技術(shù)與應(yīng)用發(fā)展部智能流量感知團(tuán)隊(duì)提出了多變量可遷移網(wǎng)絡(luò)流量預(yù)測(cè)架構(gòu)—TransMUSE,極大提升模型的復(fù)用性,降低為每一個(gè)邊緣節(jié)點(diǎn)和每一個(gè)應(yīng)用維護(hù)單獨(dú)預(yù)測(cè)模型的巨大開銷,滿足綠色網(wǎng)絡(luò)發(fā)展需求;同時(shí)為進(jìn)一步提升預(yù)測(cè)性能,挖掘具有相似模式時(shí)間序列的關(guān)聯(lián)關(guān)系,降低訓(xùn)練模型所需數(shù)據(jù)的信息熵,提出基于推土機(jī)距離(Wasserstein距離)的時(shí)序序列聚類算法——WK-means,在某市采集的真實(shí)網(wǎng)絡(luò)流量上完成實(shí)驗(yàn)驗(yàn)證,在八個(gè)邊緣節(jié)點(diǎn)的平均預(yù)測(cè)準(zhǔn)確度提升18%,模型遷移導(dǎo)致的精度損失控制在2%以內(nèi)。研究成果已發(fā)表在愛思唯爾(Elsevier)旗下期刊《Computer Networks》。(撰稿人:徐陸陽(yáng) )

圖1 TransMUSE整體架構(gòu)
相關(guān)成果:
[1] L. Xu, H. Liu, J. Song, R. Li, Y. Hu, X. Zhou, P. Patras, TransMUSE: Transferable traffic prediction in multi-service edge networks, Computer Networks (2022).