May, 2024

优化数字孪生网络的实数据驱动网络评估模型

PDF
TL;DR基于实际网络数据，本文提出了一种基于自动编码器的跳连接消息传递神经网络（AE-SMPN）作为网络评估模型，通过利用图神经网络（GNN）与循环神经网络（RNN）模型捕捉网络数据的时空特征，并且使用自动编码器（AE）提取初始特征。该神经网络是使用巴塞罗那神经网络中心（BNN-UPC）提供的真实 DTN 数据集进行训练的，本文还提供了模型结构的分析和实验结果。
digital twin networksnetwork management automationartificial intelligencenetwork evaluation modelgraph neural network
发现论文，激发创造
  • 工业网络的数字孪生本地化人工智能驱动服务架构

    互联需求的剧增导致物联网（IoT）传感器过量。为了满足大规模网络的管理需求，如准确的监测和学习能力，数字孪生是关键驱动因素。然而，由于物联网网络的连续连接要求，目前对数字孪生的实施尝试仍然不足。为了应对这些挑战，我们提出了一种数字孪生本地 AI 驱动的服务架构，以支持物联网网络概念。在提出的数字孪生本地架构中，我们实现了基于 TCP 的数据流水线和基于强化学习的学习模型。我们将该架构应用于物联网网络的一个广泛概念，即车联网。我们测量了我们提出的架构的效率，并注意到由于基于 TCP 的数据流水线而节约了约 30％的处理时间。此外，我们通过应用多种学习速率组合来测试学习模型的性能，并强调最成功的模型。

    Nov, 2023

  • 未来移动网络的规划：多信号管理的数字孪生方法

    数字孪生技术是未来无线网络中的关键技术之一，它利用网络接入技术的异构性提升网络性能和管理效果，实现物理网络中的智能数据处理。我们在校园网络环境中测试了一个数字孪生框架，其整合多样的数据源，提供实时的综合性网络性能和环境感知洞察。我们认为传统分析将发展依赖于新兴的人工智能模型，如生成式人工智能（GenAI），同时利用现有分析能力。这种能力可以通过先进的机器学习模型简化分析过程，实现统一的描述性、诊断性、预测性和规范性分析。最后，我们提出了关于互操作性方面的具体研究机会，并设想将数字孪生技术的进展与人工智能融合相结合。

    Jul, 2024

  • 将生成式人工智能与网络数字孪生集成，增强网络运营

    电信网络变得越来越复杂，与网络数字孪生和生成式人工智能（AI）等先进技术的整合成为增强网络运营和弹性的关键解决方案。本文探讨了网络数字孪生与生成式人工智能（尤其关注生成对抗网络（GANs）和变分自编码器（VAEs））之间的协同作用。我们提出了一个新颖的架构框架，将这些技术结合起来，显著提高了预测性维护、网络场景模拟和实时数据驱动决策的能力。通过广泛的模拟，我们证明了生成式人工智能如何提高网络数字孪生的准确性和运营效率，有效处理不可预测的流量负载和网络故障等现实世界的复杂性。研究结果表明，这种整合不仅增强了数字孪生在情景预测和异常检测方面的能力，还促进了更自适应、智能的网络管理系统。

    Jun, 2024

  • AI 与数字孪生的相互作用：构建数据驱动和模型驱动方法之间的桥梁

    数字孪生网络在网络编排、资源管理和人工智能模型训练及智能推理等方面具有重要作用，是实现 6G 网络的关键技术之一。本文探讨数字孪生网络与人工智能相互促进的机制，并为探索数字孪生网络与人工智能的未来研究方向提供参考。

    Sep, 2022

  • 能源数字双胞胎中的人工智能：基于强化学习的适应性数字双胞胎模型对绿色城市的应用

    数字孪生（DT）对于实现可持续和有效的智慧城市解决方案至关重要，但现有的 DT 建模技术无法支持智慧城市环境的动态性，本研究探讨了时空图，并提出了基于强化学习的自适应孪生（RL-AT）机制，通过深度 Q 网络（DQN）的方法来填补该空白，该研究在精确性、同步性、资源优化和能源效率方面做出了贡献，时空图模型能够以更一致的精确性提供 55% 更高的查询性能，此外，我们的模型还证明了较低的开销和节能消耗率，实现了合理时间的数据获取，开销下降了 20%，能源消耗下降了 25%。

    Jan, 2024

  • 可学习数字孪生用于高效率无线网络评估

    本文提出了一个基于学习的网络数字孪生用于网络模拟器，它可以综合表示无线网络中的信息流，并通过将网络配置映射到关键绩效指标来进行快速实验和优化。通过在多种情景下全面测试，结果表明该方法比传统的基于模拟的方法具有更高的精确性和鲁棒性，同时实现了比模拟器更高的计算效率。

    Jun, 2023

  • 基于异构节点特征和交互规则的数字孪生导向的复杂网络系统

    使用可扩展的建模框架提出了数字孪生导向的复杂网络系统，以生成真实系统的网络。通过节点的特征和交互规则来创建连接，实验结果表明结构和动力学的复杂性水平影响网络增长和流行病传播，应针对具有优先特征的节点制定灾难恢复策略和流行病控制。

    Aug, 2023

  • 数字孪生网络中随机计算卸载的深度强化学习

    本文提出了一种新的数字孪生网络（DTN）模型来帮助 IIoT 系统中的网络拓扑和随机任务到达模型，进而将随机计算卸载和资源分配问题转化为 Lyapunov 优化问题，并使用异步 Actor-Critic 算法来找到最优的随机计算卸载策略和提高能源效率。研究结果表明，该方案显著优于基准。

    Nov, 2020

  • 深度操作网络在核系统数字孪生技术中的潜力

    该研究介绍了 Deep Operator Network (DeepONet) 的应用，作为一个强大的代理建模方法，用于数字孪生系统，应用于核工程领域。DeepONet 展现了出色的预测准确性，优于传统机器学习方法。通过广泛的基准测试和评估，研究展示了 DeepONet 在解决复杂粒子传输问题方面的可伸缩性和计算效率。该研究对优化传感器布置和模型评估提出了挑战，这是实际实施中的关键问题。总的来说，DeepONet 为核工程研究和应用提供了一个有希望和具有变革性的工具，其准确的预测和高效的计算能力可以推动数字孪生系统的进一步发展，推进核工程研究，实现对关键工程领域的代理建模技术的有效利用。

    Aug, 2023

  • 面向数字孪生的复杂网络系统及其动力学建模：综合调查

    本文旨在提供关于如何对复杂网络系统中的实体和交互进行建模的综述，以达到创建完美匹配现实的数字孪生的最终目标。我们提出了一个新的框架来比较不同学科中现有的建模范例，并创建统一的评估标准，以评估它们各自达到终极目标的能力。使用所提出的标准，我们还评估了当前最先进方法距离理想数字孪生的距离。我们还鉴定和提出了构建基于 CNS 和 DT 汇聚和融合的 DT 导向的 CNS 的潜在方向和方法，利用各种跨学科技术。

    Feb, 2022