Компьютерная наука > Сеть и архитектура Интернета [представлены 22 апреля 2026 (v1), последний раз пересматривались 16 сентября 2026 года (это версия, v3)] Название: Предсказание отдельных NetFlows с использованием прогнозируемого графического обзора HTML (экспериментального) PDF Graph Neural Network, который может успешно прогнозировать трафик на уровне сети (NetFлоу), точно моделируя структуру графиков и функции подключения. Мы используем скользящие окна, чтобы разделить трафик сети на равномерные двунаправленные графики с IP, Портом и узлами связи. Затем мы используем GNN для моделирования эволюции структуры графиков и соединений. Наш подход показывает более высокие результаты при определении порта и IP, к которым подсоединены связи, в то время как восстановление объектов по-прежнему является конкурентным с высоким прогнозируемым исходным показателем. В целом наша работа свидетельствует об использовании GNN для прогнозирования на душу населения с использованием NetFlow. История представления: Георгиос Анифантис [видеть по электронной почте] [v1] Wed, 22 апреля 2026 12:14:29 UTC (650 KB) [650 Kb)] Thu, 23 Apr 202612:47: 14 UTA (650 КБ) [v3] Wed, 16 сентября 2026 10:00:12 UTK (651 KB). Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства массовой информации, связанные с этой статьей альфаXiv…
Прогнозирование индивидуальных NetFlows с использованием предсказуемого графа Autoencoder
arXiv:26042083v3 Annuales Type: заменить перекрестное резюме: В настоящем документе мы предлагаем модель графической невральной сети, которая может успешно прогнозировать трафик на уровне потока (NetFlow) путем точного моделирования структуры графиков и характеристик соединения. Мы используем скользящие окна, чтобы разделить трафик сети на равномерные двунаправленные графики с IP, Портом и узлами связи. Затем мы используем GNN для моделирования эволюции структуры графиков и соединений. Наш подход показывает более высокие результаты при определении порта и IP, к которым подсоединены связи, в то время как восстановление объектов по-прежнему является конкурентным с высоким прогнозируемым исходным показателем. В целом наша работа свидетельствует об использовании GNN для прогнозирования на душу населения с использованием NetFlow.