Die Vorhersage des zukünftigen Zustands des Netzwerks ist eine Schlüsselkompetenz des digitalen Zwillingnetzwerks, die den Netzwerkbetreibern hilft, Leistungsänderungen im Netzwerk abzuschätzen und entsprechende Maßnahmen frühzeitig zu ergreifen. Die bestehenden Vorhersagemethoden - einschließlich statistischer Methoden, Methoden des maschinellen Lernens und Methoden des tiefen Lernens - weisen viele Einschränkungen in Bezug auf die Generalisierungsfähigkeit und die Abhängigkeit von Trainingsdaten auf. Um diese Probleme zu lösen und unter Inspiration des vortrainierten und feinabgestimmten Rahmens in den Bereichen der natürlichen Sprachverarbeitung und des Computersehens schlagen wir ein Basismodell auf Basis des Transformer, TSNet, zur Vorhersage verschiedener Leistungsindikatoren des Netzwerks vor. Um Zeitreihen mit der Transformer-Architektur besser zu modellieren, wurde ein Aufmerksamkeitsmechanismus im Frequenzbereich und eine zeitliche Zerlegung eingeführt. Darüber hinaus wurde eine leichte Feinabstimmungsstrategie entwickelt, um es TSNet zu ermöglichen, schnell auf neue Daten oder Szenarien zu verallgemeinern. Die experimentellen Ergebnisse zeigen, dass die auf Nullmuster basierende Vorhersage von TSNet die überwachten Basisverfahren übertrifft. Durch den Einsatz einer Feinabstimmungsstrategie für wenige Muster kann die Vorhersagegenauigkeit weiter verbessert werden. Insgesamt zeigt TSNet eine hohe Genauigkeit und Generalisierungsfähigkeit in verschiedenen Datensätzen.

Digitaler Zwilling; Kommunikationsnetzwerke; Basismodell; Netzwerkzustandsvorhersage