典型文献
面向大规模网络测量的数据恢复算法:基于关联学习的张量填充
文献摘要：
网络应用,如网络状态跟踪、服务等级协议保障和网络故障定位等,依赖于完整准确的吞吐量测量数据.由于测量代价大,网络监控系统通常难以获得全网吞吐量测量数据.稀疏网络测量技术基于采样的方式降低测量代价,通过张量填充等算法挖掘数据内部的时空相关性,从部分网络测量数据恢复缺失数据.然而,现有研究仅考虑了单个性能指标,忽略了多个指标之间的关联信息,导致恢复精度受限且整体测量代价依然很大.本文提出了一个面向大规模网络测量的数据恢复算法——基于关联学习的张量填充(Association Learning based Tensor Completion,ALTC).为了捕获网络性能指标之间的复杂关系,设计了一个关联学习模型,使用低测量开销的往返时延推测高测量开销的吞吐量,降低网络测量代价.在此基础上设计了一个张量填充模型,同时学习吞吐量测量数据内部的时空相关性和来自往返时延的外部辅助关联信息,最终以更高的恢复精度获取全网吞吐量数据.实验表明,在相同的吞吐量测量代价下,本文所提算法的恢复误差比目前主流方法的恢复误差降低了13％,达到了更好的恢复效果.
文献关键词：
网络监控;稀疏网络测量;张量填充;多指标关联;深度学习
中图分类号：
作者姓名：
欧阳与点;谢鲲;谢高岗;文吉刚
作者机构：
湖南大学信息科学与工程学院,湖南长沙410006;中国科学院计算机网络信息中心,北京100089;中国科学院大学,北京100089;湖南友道信息技术有限公司,湖南长沙410006
文献出处：
引用格式：
[1]欧阳与点;谢鲲;谢高岗;文吉刚-.面向大规模网络测量的数据恢复算法:基于关联学习的张量填充)[J].电子学报,2022(07):1653-1663
A类：
稀疏网络测量,ALTC,多指标关联
B类：
大规模网络,数据恢复,复算,关联学习,张量填充,网络应用,网络状态,状态跟踪,服务等级协议,网络故障,故障定位,吞吐量,测量数据,网络监控系统,统通,难以获得,全网,测量技术,时空相关性,分网,缺失数据,联信,体测,Association,Learning,Tensor,Completion,网络性能,复杂关系,开销,往返,时延,测高,充模,比目,主流方法,恢复效果
AB值：
0.303636
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
