Time-Varying-Aware Network Traffic Prediction Via Deep Learning in IIoT
Notice bibliographique
Résumé
With the rise of the Industrial Internet of Things (IIoT), more and more industrial devices can be connected via the network. Data collection, processing, analysis, task execution, and other devices that can product network traffic volume are gradually being deployed to IIoT. However, under the limited spectrum resources and low-cost and low-energy production requirements of enterprises, how to ensure the interconnection and intercommunication of industrial networks while realizing the effective use of network communication resources is currently a hot topic. Among them, network traffic prediction is considered to be a very important task. The time variability and interpretability, especially the time-varying features of traffic sequences, greatly challenge this task. To address those, this article proposes a method called <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Flow2graph</i> to predict network traffic in IIoT. Specifically, some key segments, i.e., shapelets are extracted from the network traffic sequence according to time-varying traffic; then uses the relationship between the traffic sequence and shapelets to convert the flow into a shapelets conversion graph; Subsequently, the graph isomorphism network are used to learn the specificity of the flow sequence from different devices, thereby to predict its traffic value for a period of time in the future; finally, we conduct extensive experiments on real data to verify the effectiveness of the proposed method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».