Прогнозирование будущего состояния сети является ключевым навыком цифровой двойник сети, который помогает инженерам по управлению оценить изменение производительности сети и принять соответствующие меры заранее. Существующие методы прогнозирования, включая статистические методы, методы машинного обучения и методы глубокого обучения, имеют множество ограничений в обобщающей способности и зависимости от обучающих данных. Чтобы решить эти проблемы и вдохновившись предварительно обученной и настраиваемой структурой в области обработки естественного языка и компьютерного зрения, мы предлагаем базовую модель на основе трансформатора, TSNet, для прогнозирования разнообразных показателей производительности сети. Для лучшего моделирования временных рядов с использованием архитектуры трансформатора был введен механизм внимания в частотной области и временное декомпозиция. Кроме того, разработана легкая стратегия настройки, которая позволяет TSNet быстро обобщаться на новые данные или новые сценарии. Результаты эксперимента показывают, что базирующийся на нулевом образце прогноз TSNet превосходит контрольные методы с учителем. Используя стратегию микросхем для небольшого количества образцов, точность прогнозирования может быть дополнительно улучшена. В целом, TSNet проявляет высокую точность и обобщающую способность на различных данных.

Цифровой двойник; коммуникационные сети; базовая модель; прогноз состояния сети