Analyzing the Traffic of MANETs using Graph Neural Networks
Istanbul Technical University（伊斯坦布尔技术大学）
图神经网络（GNN）由于其对图结构数据的表达能力，已在许多领域发挥作用。另一方面，随着网络技术已经达到5G水平，移动Ad-Hoc网络（MANDO）正在受到关注。然而，目前还没有研究评估GNN在MANN上的效率。在这项研究中，我们的目标是通过在流行的GNN框架中实现MANET数据集来填补这一空白，即，PyTorch Geometric;并展示如何利用GNN来分析MANN的流量。我们使用GraphSAGE（SAG）模型对数据集进行边预测任务，其中SAG模型试图预测两个节点之间是否存在链接。我们提出了几个评估指标来衡量GNN在MANN上的性能和效率。SAG模型在实验中的平均准确率为82.1。
2022-12-17 cs.LG cs.NI
Analysis and Modeling of Traffic in Modern Data Communication Networks
在通信网络的性能分析和设计中，数据业务建模是一个重要的问题。随着新应用的引入，数据业务的特性发生了变化。我们提出了一个简短的回顾不同的数据流量模型，以及它们是如何演变的。我们目前的数据流量分析和模拟流量的结果，这表明，分组训练模型适合的流量在源-目的地级别和长记忆（自相似）模型适合的流量在聚合级别。
1998-09-23 cs.NI
Traffic Divergence Theory: An Analysis Formalism for Dynamic Networks
本文提出基于流量散度的动态网络分析理论，用空间散度率刻画最大流量分布，并通过数据中心吞吐量估计与机器人通信规划仿真验证其有效性。
2024-04-03 cs.MA cs.NI math.DS
Modeling Self-Similar Traffic for Network Simulation
为了更接近真实的网络场景，从而验证协议设计的有效性，有必要对现实网络中的业务流进行建模。广泛的研究[1]表明，接入和局域网中的实际流量（例如，由FTP和视频流生成的那些）表现出自相似性和长程相关性（LRD）的特性[2]。在本附录中，我们简要介绍了自相似性的性质，并提出了一个实用的方法来建模自相似轨迹与指定的流量强度。
2013-08-18 cs.NI
Traffic Modeling with SUMO: a Tutorial
本文提供了使用开源仿真工具SUMO生成与仿真交通场景的分步指南，介绍了合成交通模型生成、真实数据导入及仿真结果输出用于数据分析的完整流程。
2025-01-31 cs.NI
An Approach for Spatial-temporal Traffic Modeling in Mobile Cellular Networks
移动蜂窝网络中的业务数据的量和类型一直在持续增长。同时，交通数据在时间和空间等多个维度上动态变化。因此，流量建模是必不可少的理论分析和未来的超密集蜂窝网络的节能设计。在本文中，作者试图建立一个易于处理的和准确的模型来描述实际蜂窝网络中的单个基站的流量变化模式。首先，基于蜂窝网络中的实际数据，提出了一种描述多个基站业务量随时间变化的正弦叠加模型。结果表明，一个区域内多个基站的平均业务量呈周期性变化，并具有三个主要的频率分量。然后，对数正态分布的空间建模的实际交通数据进行了验证。分析了空闲时间和繁忙时间的空间流量分布。并给出了园区、校园和中心商务区三个典型区域的模型参数。最后，提出了一种基于多基站时空业务分布的单基站时空业务联合建模方法。通过与当前蜂窝网络中的实际数据进行比较，对这三种模型进行了评估。结果表明，这些模型能够准确地描述蜂窝网络中实际业务数据的变化规律。
2017-03-31 cs.NI
RegTraffic: A Regression Based Traffic Simulator for Spatiotemporal Traffic Modeling, Simulation and Visualization
Ontario Tech University（安大略理工大学）
交通仿真是展示复杂交通结构的重要工具，对于道路交通网络的规划、开发和管理非常有用。当前的交通模拟器在交互式和自适应交通建模方面提供的功能有限。本文介绍了RegTraffic，一种新型的交互式交通模拟器，集成了基于动态回归的时空交通分析，预测相互关联的路段的拥堵。该模拟器根据相邻路段的动态交通流的时间特征和道路路段的交通拥堵模型。该模拟器提供了一个用户友好的网络界面，以选择感兴趣的路段，接收用户定义的交通参数，并可视化的交通流的相关道路连接的基础上，这些道路连接的用户输入和相关。性能评估表明，RegTraffic能够有效地预测交通拥堵，均方误差为1.3 Km/h，均方根误差为1.71 Km/h。RegTraffic可以有效地模拟结果，并在交互式地理地图上提供可视化。
2022-11-23 cs.AI cs.DC cs.NI
Analyzing DCTCP and Cubic Buffer Sharing under Diverse Router Configurations
在这项工作中，我们看看DCTCP和立方流量的路由器配置的影响时，这两种算法在数据中心共享路由器缓冲区。现代数据中心托管具有混合拥塞控制的流量，包括DCTCP和Cubic流量。数据中心中的DCTCP和Cubic在共享数据中心中的缓冲区空间时可能会相互竞争，并且可能会饿死和/或对彼此不公平。这是因为两种算法在缓冲区利用率范例方面彼此不一致，其中DCTCP试图限制缓冲区利用率，而Cubic通常填充缓冲区以获得高吞吐量。因此，我们提出了一个测量驱动的分析DCTCP和立方性能时，共享缓冲区在数据中心路由器通过模拟的方法。我们运行了大约10000个模拟实验，具有独特的路由器配置和网络条件。之后，我们提出了一个可推广的ML模型来捕获不同缓冲区设置对数据中心中的DCTCP和Cubic流流量的影响。最后，我们建议可以使用此模型来调整数据中心中的缓冲区设置。
2023-02-11 cs.NI
Global Modeling and Prediction of Computer Network Traffic
我们开发了一个概率框架的全球建模的流量在计算机网络。该模型将现有的单链路（流）流量模型与网络上的路由相结合，以捕获全局流量行为。它产生于一个有限的近似的流量波动的时间尺度和用户共享网络的数量增长。所得到的概率模型由高斯和/或稳定的无限方差分量组成。它们可以用某些“时空”随机场来简洁地描述和处理。该模型对模拟和真实数据进行了验证。然后，它被应用到预测流量波动未观察到的链路从一组有限的观察到的链接。此外，异常检测和网络管理的应用进行了简要讨论。
2010-05-24 cs.NI math.ST stat.TH
Modeling and Analysis of mMTC Traffic in 5G Base Stations
大规模机器类型通信（mMTC）是5G网络应该支持的三种服务类型之一。它们的区别在于需要为大量设备提供服务，这些设备的特点是非密集流量和低能耗。虽然mMTC业务的零星性质不会对有效的网络操作造成影响，但是复用来自小区内的大量这些设备的业务肯定会造成影响。因此，仔细规划用于此流量的网络资源至关重要。为此，应当知道到达基站的业务模式的统计。为此，在本文中，我们推导出分布的到达时间间隔的流量在基站从一般数量的mMTC用户在小区内，假设一个通用的分布的流量模式由个人用户。我们验证我们的结果的痕迹。结果表明，在小区中添加更多的mMTC用户几乎线性地增加了基站处的业务模式的可变性，而增加业务生成速率则不是这种情况。
2021-08-31 cs.NI
Analyzing Network performance parameters using wireshark
网络性能是网络管理员最关心的问题。网络的性能取决于许多因素。网络性能面临的一些问题是缓慢的互联网，瓶颈，数据包丢失和重传，以及过度的带宽消耗。要排除网络故障，需要深入了解网络协议。本研究的主要目的是分析的性能和各种其他参数相关的完整性的网络在家庭为基础的网络环境中使用Wireshark。针对不同设备捕获网络流量。然后使用Wireshark基本统计工具和各种性能参数的高级工具分析捕获的流量。
2023-02-07 cs.NI
Analytic Network Traffic Prediction Based on User Behavior Modeling
本文提出可解释的UBB网络流量预测方法，按周内日期和日内时段分解流量并以正态分布信号建模，实验表明其更贴合实际需求且提升了效率与精度。
2023-04-19 cs.NI
System-of-Systems Modeling, Analysis and Optimization of Hybrid Vehicular Traffic
虽然全自动车辆的发展是智能交通系统（ITS）领域的主要研究领域之一，但即将到来的长期过渡期-混合动力车辆交通-往往被忽视。然而，在未来几十年内，具有不同自主水平的汽车系统将共享同一个道路网络，这给交通管理系统和通信网络基础设施提供商带来了新的问题。在本文中，我们确定了即将到来的混合交通场景的关键挑战，并提出了一个系统模型，该模型汇集了交通建模，数据科学和通信工程的方法和方法，以实现数据驱动的交通流优化。该模型由数据采集、数据传输、数据分析和数据开发组成，利用了真实世界的传感器数据以及模拟优化方法。基于多个案例研究的结果，这些研究侧重于个别挑战（例如，资源有效的数据传输和车辆的动态路由），我们指出了使用现有基础设施的方法，具有更高的效率等级。
2019-11-21 cs.NI
Traffic Flow Modeling for UAV-Enabled Wireless Networks
本文研究了面向多业务的无人机无线网络中的业务流建模问题，这对于支持此类网络未来的各种应用至关重要。我们提出了一个通用的交通流模型，面向多业务的无人机使能无线网络。在此模型下，我们首先将网络服务分为三个子集：遥测，物联网（IoT）和流数据。基于帕累托分布，我们然后划分所有的无人机分为三个不同的网络使用的子组。我们进一步确定不同的网络服务的数据包的数量和总的数据大小，根据数据包到达率的9个段，其中每个段代表一个映射关系的一个子集的服务和一个子组的无人机。仿真结果表明，我们的流量模型预测的数据包的数量和数据大小可以很好地匹配这些在一个真实的场景。
2022-01-05 cs.NI
Modeling Traffic Management in ATM Networks with OPNET
异步传输模式（ATM）是新一代的计算机和通信网络，正在部署在整个电信行业以及校园骨干网。ATM技术与以前的网络协议的区别在于它具有最新的流量管理技术，因此可以保证延迟、吞吐量和其他性能指标。这反过来又允许用户在同一网络上集成语音、视频和数据。ATM中的可用比特率（ABR）服务被设计为将所有未使用的容量公平地分配给数据业务，并且在ATM论坛的业务管理（TM4.0）标准中被规定。本文将描述为ATM和ABR设计和分析而开发的OPNET模型。
1998-09-23 cs.NI
Anomaly Detections in Internet traffic Using Empirical Measures
介绍了基于大偏差结果的互联网流量异常检测机制，并进行了实证分析.使用过去的流量跟踪，我们在不同的时间间隔的网络流量的特点，假设它是无异常。在整个过程中，我们比较了这两种方法，展示了它们的优点和缺点，以识别和分类时间网络异常。我们还演示了如何使用我们的框架来监控流量从多个网络元素，以确定空间和时间的异常。我们验证我们的技术，通过分析真实的交通痕迹与时间戳异常。
2013-08-24 cs.NI
Network Link Dimensioning based on Statistical Analysis and Modeling of Real Internet Traffic
互联网服务提供商使用链路尺寸来正确配置其网络链路的容量。运营商必须为突发流量和网络故障做好准备，以确保不间断的运营。实际上，流量平均值用于粗略估计所需容量。更准确的解决方案通常需要从数据包捕获中轻松获得流量统计数据，例如方差。我们对真实网络流量的研究表明，在较小的聚集时间内，网络流量具有很高的变化性，这表明网络流量具有自相似性和重尾性。自相似性和重尾性对于网络容量规划具有重要意义。流量建模过程应考虑所有的互联网流量特征。因此，网络的服务质量（QoS）不会受到真实业务属性与参考统计模型之间的任何失配的影响。本文提出了一类新的流量配置文件，更适合于计量突发的互联网流量流。我们采用带宽供应，以确定网络链路所需的最低带宽容量水平，这样对于给定的流量负载，所需的性能目标得到满足。我们验证我们的方法使用数据包捕获从真正的基于IP的网络。建议的链路尺寸的方法开始测量可用的痕迹的统计参数，然后在流量的波动程度已被测量。其次是选择合适的模型来拟合流量，如对数正态分布和广义极值分布。最后，可以通过部署带宽供应方法来估计链路的最佳容量。它已被证明，重尾分布给出更精确的值比高斯模型的链路容量。
2017-10-01 cs.NI
CAC and Traffic Modeling for Integrated Macrocell/Femtocell Networks
密集的毫微微蜂窝基站以及这些毫微微蜂窝基站与宏蜂窝基站的集成是毫微微蜂窝网络部署的最终目标。融合的宏蜂窝/毫微微蜂窝网络既能为室内用户提供高数据率，又能将宏蜂窝网络的大量业务分流到毫微微蜂窝网络。切换呼叫的有效处理是宏小区/毫微微小区成功集成的关键。一个合适的流量模型的综合宏蜂窝/毫微微蜂窝网络的性能分析测量也是必要的。在本文中，我们提出了一个呼叫接纳控制过程和业务模型的综合宏蜂窝/毫微微蜂窝网络。数值和仿真结果表明了融合宏蜂窝/毫微微蜂窝网络的重要性和所提出的方案的性能改善。
2018-10-05 cs.NI
Performance Modeling and Evaluation of Traffic management for Mobile Networks by SINR Prediction
近年来，移动通信网络的性能评估和预测已经成为研究的热点。移动网络的性能建模和评估是非常重要的，鉴于其不断扩大的使用和其组成部分的多样性，以及其功能的复杂性。本文通过对蜂窝移动网络的信干噪比（SINR）预测、拥塞控制、路由选择和优化，研究了当前蜂窝移动网络中的业务管理和拥塞控制问题。
2010-02-09 cs.NI
Characterizing and Modeling Control-Plane Traffic for Mobile Core Network
在本文中，我们首先对控制平面流量进行了第一次深入的表征，使用在真实世界LTE移动核心网络（MCN）中采样的37，325个UE的真实控制平面跟踪。我们的分析表明，控制事件在UE之间的设备类型和时间上表现出显著的多样性。其次，我们研究了传统的概率分布，已被广泛采用的建模互联网流量可以模拟控制平面流量起源于个人UE。我们的分析表明，控制事件的到达间隔时间以及在UE状态的EMM和ECM的蜂窝网络的逗留时间不能建模为泊松过程或其他传统的概率分布。我们进一步表明，这些模型未能捕获的控制平面流量的原因是由于其较高的突发性和较长的尾巴在累积分布比传统的模型。第三，我们提出了一个两级层次的基于状态机的流量模型UE集群来自我们的自适应聚类方案的基础上半马尔可夫模型，以捕捉移动网络控制平面流量的关键特征-特别是，每个UE产生的事件之间的依赖性，以及设备类型和UE之间的时间的多样性。最后，我们展示了当5G UE的相当大的控制平面轨迹可用于训练调整后的模型时，我们的模型如何从LTE轻松调整到5G，以支持5G控制平面流量建模。为LTE/5G网络开发的控制平面流量生成器向研究社区开源，以支持高性能MCN架构设计研发。
2022-12-26 cs.NI
Deep Sequence Modeling for Anomalous ISP Traffic Prediction
University of Western Ontario（西安大略大学）；Juniper Networks（瞻博网络）
现实世界中的互联网流量容易受到各种外部和内部因素的影响，这些因素可能会突然改变正常的流量。这些意外的变化被认为是流量中的异常值。然而，深度序列模型已被用于预测复杂的IP流量，但它们对异常流量的比较性能尚未得到广泛研究。在本文中，我们研究和评估不同的深度序列模型的异常流量预测的性能。实现了几种深度序列模型来预测不含和含异常值的真实流量，并显示了异常值检测在真实流量预测中的重要性。首先，两种不同的离群值检测技术，如三西格玛规则和隔离森林，被用来识别异常。其次，在训练模型之前，我们使用反向填充技术调整了这些异常数据点。最后，不同的模型的性能进行了比较，异常和调整流量。LSTM_Encoder_Decoder（LSTM_En_De）是我们实验中最好的预测模型，在调整离群值后，实际流量和预测流量之间的偏差减少了11%以上。所有其他模型，包括递归神经网络（RNN）、长短期记忆（LSTM）、带注意力层的LSTM_En_De（LSTM_En_De_Atn）、门控递归单元（GRU），在替换离群值后显示出更好的预测，预测误差分别降低了29%、24%、19%和10%以上。我们的实验结果表明，数据中的离群值可以显着影响预测的质量。因此，离群值检测和缓解有助于深度序列模型学习总体趋势并做出更好的预测。
2022-05-03 cs.LG cs.NI eess.SP
Stacked-VLAN-Based Modeling of Hybrid ISP Traffic Control Schemes and Service Plans Exploiting Excess Bandwidth in Shared Access Networks
目前互联网服务提供商使用令牌桶过滤器对用户流量进行整形的做法可能会导致共享接入网络中网络资源的严重浪费;除了与令牌桶大小成比例的短时间段外，即使只有少数活跃用户，也无法在活跃用户之间分配多余的带宽。为了更好地利用共享接入网络中的网络资源，因此，我们最近提出并分析了接入流量控制方案的性能，该方案可以在活跃用户之间分配与其令牌生成速率成比例的额外带宽。此外，为了利用所提出的流量控制方案所实现的超额带宽分配，我们一直在研究混合流量控制架构下的灵活而实用的服务计划，这在收入和服务质量方面对互联网服务提供商及其用户都有吸引力。在本文中，我们报告的混合交通控制方案和服务计划的OMNeT++/INET-HNRL基于IEEE标准802.1Q堆叠的建模的现状。
2016-09-16 cs.NI cs.PF
TrafficMoE: Heterogeneity-aware Mixture of Experts for Encrypted Traffic Classification
School of Microelectronics and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院）
本文提出TrafficMoE，通过Disentangle-Filter-Aggregate框架解决加密流量分类中的异质性问题，采用双分支稀疏MoE分离头部和负载，引入不确定性感知过滤机制和路由引导策略提升分类性能。
2026-03-31 cs.AI cs.CR cs.MM
Performance Modeling of WSN with Bursty Delivery Mode
无线传感器网络（Wireless Sensor Network，WSN）通常由分布在一个地理区域内的成百上千个传感器节点和一个或多个收集信息的sink节点组成。传感器的特殊设计和特性及其应用使得无线传感器网络有别于传统网络。这些特性对体系结构和协议设计、性能建模和实现提出了很大的挑战。准确建模每个传感器节点产生的数据对于正确模拟网络流量、网络拥塞、节点间干扰和每个节点消耗的能量至关重要。成功的设计将提高整个网络的整体性能。在本文中，我们分析了无线传感器网络的性能与N-BURST流量模型。分析了突发业务对分组平均时延和缓冲区溢出概率的影响。我们研究了突发无线传感器网络流量的影响，通过模拟与三种不同的情况下。短距离相关（SRD）业务和长距离相关（LRD）业务模拟不同的突发参数。最后通过仿真研究了Pareto OFF时间对系统性能的影响。收集10个不同的24小时模拟周期的结果，以研究和测量一天的统计波动。
2017-02-13 cs.NI
Modeling WiFi Traffic for White Space Prediction in Wireless Sensor Networks
交叉技术干扰（CTI）是2.4GHz非授权频谱中的普遍现象，导致分组丢失和增加的信道争用。特别是，WiFi干扰是低功率无线网络的严重问题，因为它的存在会导致整体性能的显著下降。在本文中，我们提出了一种基于WiFi干扰建模的主动方法，用于准确预测低功耗无线网络的传输机会。我们利用对真实世界WiFi跟踪的统计分析来了解到达间隔时间（IAT）方面的聚合流量特征，一旦将其捕获到特定的二阶马尔可夫调制泊松过程（MMPP（2））模型中，就可以准确估计干扰。我们进一步使用隐马尔可夫模型（HMM）的信道占用预测。我们评估了i）MMPP（2）流量模型的性能，真实世界的痕迹和现有的帕累托模型，用于准确地表征WiFi流量，ii）比较基于HMM的空白预测随机信道接入。我们报告令人鼓舞的结果，使用干扰建模的白色空间预测。
2017-09-26 cs.NI
V2V Path Loss Modeling at 26 GHz Based on Real-Traffic Measurements
本文基于26.555 GHz真实交通测量，研究车辆通信中考虑阴影效应的单斜率路径损耗模型，分析天线类型、环境、安装位置及阻挡车辆等因素的影响。
2024-10-23 cs.NI
GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction
GraFSTNet通过整合时空建模与时间-频率分析，有效捕捉蜂窝交通的周期性模式，提升预测准确性。
2026-02-19 cs.AI cs.NI
ResLearn-XR: Residual Learning for Network Traffic and Quality-of-Experience-Aware Modeling in Extended Reality
Carleton University（卡尔顿大学）；Toronto Metropolitan University（多伦多都会大学）
该研究提出ResLearn-XR框架，采用两阶段残差学习结构，结合DDA算法与自建数据集，实现XR流量预测和QoE风险评估，显著降低相关预测的SMAPE。
2026-09-07 cs.AI cs.LG cs.NI
Mixture Models of Endhost Network Traffic
在这项工作中，我们专注于建模一个小的研究类型的流量，即从endhost产生的网络流量。我们引入了一个简约的参数模型的边缘分布连接到达。我们采用混合模型的基础上的一个凸组合的分量分布与重和轻的尾巴。这些模型可以用最大似然技术进行高精度拟合。我们的方法假设基础用户数据可以适合许多建模选项之一，我们应用贝叶斯模型选择标准作为一种严格的方式来选择首选的组件组合。我们的实验表明，一个简单的帕累托指数混合模型是首选的广泛的用户，在更简单和更复杂的替代品。该模型具有建模的整个分布，有效地分割成重尾以及非重尾组件的流量所需的属性。我们说明，这种技术具有灵活性，以捕捉用户行为的广泛多样性。
2012-12-12 cs.NI
On the Prospects of Chaos Aware Traffic Modeling
研究了TCP拥塞避免机制的混沌特性。分析的重点是在确定性TCP/IP网络中出现的复杂行为的起源。从交通建模的角度来看，产生混乱的机制的理解是必不可少的，因为目前的模型无法应付这种现象。利用混沌理论的基本工具，揭示了混沌动力学的主要特征。通过简单的符号描述研究了丢包事件的动力学。示出了拥塞窗口相空间的胞状结构。这意味着大时间尺度的周期性行为。短时间尺度下的混沌行为和较大时间的周期性使得有必要开发兼顾两者的模型。因此，一个简单的模型，描述了拥塞窗口动态根据流体方程，但单独处理的丢包事件。该模型可以再现在现实的数据包级仿真中观察到的基本功能。
2002-08-26 cond-mat.dis-nn cs.NI nlin.CD
Analyzing Enterprise DNS Traffic to Classify Assets and Track Cyber-Health
本文提出被动分析实时 DNS 流量的无监督聚类方法，用于识别和分类企业 DNS 资产并持续监测其健康，在两个大型组织中验证可发现百余个资产及多类攻击和配置问题。
2022-01-18 cs.CR cs.NI
MINT: Modeling GenAI Impact on Network Traffic
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Samsung Research America（三星美国研究院）
MINT提出首个基于测量的GenAI流量建模框架，通过隔离捕获管道收集多模态轨迹，揭示突发特性并验证于ns-3，为网络模拟提供现实模型。
2026-09-29 cs.NI cs.SY eess.SY
Renewal-Theoretic Packet Collision Modeling under Long-Tailed Heterogeneous Traffic
物联网（IoT）的愿景是数十亿台连接设备，它正在为未经许可的频段中的无线连接带来大量异构特性。共存网络之间的介质接入参数、发射功率和活动水平的异质性导致有害的跨技术干扰。在CSMA/CA规则下形成的干扰网络和信道衰落的随机业务分布使得建模和分析受干扰网络的性能具有挑战性。在本文中，研究的时间相互作用的流量分布的两个共存的网络，我们开发了一个更新理论的数据包碰撞模型，并推导出一个通用的碰撞时间分布（CTD）函数的干扰系统。CTD功能适用于共存流量的任何繁忙和空闲时间分布。由于早期的研究表明，在现实环境中的长尾空闲时间统计，开发的模型只需要的长尾分布的拉普拉斯变换，以找到CTD。此外，我们提出了一个分组出错率（PER）模型下提出的CTD和多径衰落的干扰信号。利用该模型，在干扰受限的情况下，提出了一种计算效率较高的PER近似，用于分析受干扰链路的性能。
2017-06-09 cs.IT cs.NI math.IT
A Review of Network Traffic Analysis and Prediction Techniques
North Maharashtra University（北马哈拉施特拉大学）
网络流量的分析和预测在广泛的领域中有着广泛的应用，并且最近吸引了大量的研究。对现有计算机网络应用中存在的各种问题进行了不同类型的实验和总结。网络流量分析和预测是确保安全、可靠和高质量网络通信的主动方法。提出并实验了各种技术来分析网络流量，包括基于神经网络的技术到数据采掘技术。类似地，各种线性和非线性模型被提出用于网络流量预测。网络分析和预测技术的几个有趣的组合实现，以获得高效和有效的结果。本文介绍了各种这样的网络分析和流量预测技术的调查。对前人研究的独特性和规律进行了探讨。总结了网络流量分析与预测的各个研究领域。
2015-07-27 cs.AI cs.NI
Multi-Step Traffic Prediction for Multi-Period Planning in Optical Networks
KIOS CoE（KIOS研究中心）；University of Cyprus（塞浦路斯大学）
针对光网络服务过度配置问题，提出利用编解码器深度学习模型进行多步流量预测的多周期规划框架，结合启发式算法优化资源利用并减少服务中断，性能优于单步预测方法。
2024-04-12 cs.LG cs.NI
