Predecir el estado futuro de la red es una capacidad clave de la red gemela digital que ayuda a los operadores de red a estimar los cambios de rendimiento de la red y tomar las medidas correspondientes de antemano. Los métodos de predicción existentes, incluidos los métodos estadísticos, los métodos de aprendizaje automático y los métodos de aprendizaje profundo, presentan muchas limitaciones en cuanto a capacidad de generalización y dependencia de los datos de entrenamiento. Para resolver estos problemas y tomando como inspiración el marco de pre-entrenamiento y ajuste en los campos del procesamiento del lenguaje natural y la visión por computadora, proponemos un modelo base basado en el Transformer, TSNet, para predecir diversas medidas de rendimiento de la red. Para modelar mejor las series temporales utilizando la arquitectura Transformer, se introdujo un mecanismo de atención en el dominio de frecuencia y una descomposición temporal. Además, se diseñó una estrategia de ajuste ligera para permitir que TSNet se generalice rápidamente a nuevos datos o escenarios. Los resultados experimentales muestran que la predicción basada en cero ejemplares de TSNet supera a los métodos base supervisados. Utilizando una estrategia de ajuste de pocas muestras, la precisión de la predicción puede mejorarse aún más. En general, TSNet muestra una alta precisión y capacidad de generalización en diversos conjuntos de datos.

Gemelo digital; Redes de comunicación; Modelo base; predicción del estado de la red