Uma Estrutura de Rede Neural Recorrente de Memória de Longo Prazo e Curto Prazo para Predição de Matriz de Tráfego de Rede

A predição da Matriz de Tráfego de Rede (TM) é definida como o problema de estimar o tráfego de rede futuro a partir dos dados de tráfego de rede anteriores e alcançados. É amplamente utilizada no planejamento de redes, gerenciamento de recursos e segurança de rede. A Memória de Longo Prazo e Curto Prazo (LSTM) é uma arquitetura específica de rede neural recorrente (RNN) que é bem adequada para aprender com a experiência a classificar, processar e prever séries temporais com atrasos de tempo de tamanho desconhecido. As LSTMs demonstraram modelar sequências temporais e suas dependências de longo alcance com mais precisão do que as RNNs convencionais. Neste artigo, propomos uma estrutura de RNN LSTM para prever a Matriz de Tráfego (TM) de curto e longo prazo em grandes redes. Ao validar nossa estrutura em dados do mundo real da rede GEANT, mostramos que nossos modelos LSTM convergem rapidamente e oferecem um desempenho de predição de TM de ponta para modelos de tamanho relativamente pequeno.