Prédire l'état futur du réseau est une capacité clé du jumeau numérique du réseau qui aide les opérateurs de réseau à estimer les changements de performance du réseau et à prendre des mesures correspondantes à l'avance. Les méthodes de prédiction existantes - y compris les méthodes statistiques, les méthodes d'apprentissage automatique et les méthodes d'apprentissage en profondeur - présentent de nombreuses limites en termes de capacité de généralisation et de dépendance aux données d'entraînement. Pour résoudre ces problèmes et s'inspirant du cadre de pré-entraînement et de réglage de domaine dans les domaines du traitement du langage naturel et de la vision par ordinateur, nous proposons un modèle de base basé sur le Transformer, TSNet, pour prédire diverses mesures de performance du réseau. Afin de mieux modéliser les séries temporelles à l'aide de l'architecture Transformer, un mécanisme d'attention dans le domaine fréquentiel et une décomposition temporelle ont été introduits. De plus, une stratégie de réglage légère a été conçue pour permettre à TSNet de généraliser rapidement à de nouvelles données ou à de nouveaux scénarios. Les résultats expérimentaux montrent que la prédiction basée sur zéro échantillon TSNet surpasse les méthodes de base supervisées. En utilisant une stratégie de réglage peu échantillonnée, la précision de la prédiction peut être encore améliorée. Dans l'ensemble, TSNet présente une précision élevée et une capacité de généralisation sur divers ensembles de données.

Jumeau numérique ; Réseaux de communication ; Modèle de base ; prédiction de l'état du réseau