پیش بینی ترافیک شبکه با معماری ترکیبی ViT-LSTM

زمینه و هدف: پیش بینی دقیق ترافیک شبکه در سیستم های توزیع شده چالشی حیاتی در مدیریت منابع، کاهش تاخیر و افزایش امنیت شبکه است. مدل های سنتی یادگیری عمیق اغلب در مدل سازی وابستگی های زمانی-فضایی پیچیده و ناپایداری داده ها با محدودیت مواجه هستند. روش: در این مقاله یک معماری نوین ترکیبی به نام ViT-LSTM (Vision Transformer - Long Short-Term Memory) پیشنهاد می شود که از تبدیل سری زمانی ترافیک به تصویر و استفاده از (Vision Transformer) ViT برای استخراج ویژگی های سلسله مراتبی بهره می برد. این ویژگی ها سپس به یک شبکه LSTM منتقل می شوند تا دینامیک های زمانی باقی مانده را مدل سازی کند. کد پیاده سازی در محیط Google Colab با استفاده از PyTorch و کتابخانه timm اجرا شد. نتایج آزمایش ها بر روی مجموعه داده های GEANT و Abilene نشان داد که معماری پیشنهادی در مقایسه با مدل های پایه (GRU، LSTM) و ترکیبی (CNN-LSTM) عملکرد بهتری دارد. به طور میانگین ViT-LSTM نسبت به LSTM سنتی کاهش ۴۲.۳ در MSE و کاهش ۳۱.۱ در MAE را ارائه کرد. نتیجه گیری: معماری ViT-LSTM با بهره گیری از قدرت مدل های بینایی کامپیوتر در مدل سازی فضایی-زمانی، نوآوری معناداری در دقت پیش بینی ترافیک ایجاد کرده و برای سیستم های توزیع شده مقیاس پذیر مناسب است.

کلیدواژه ها:

پیشبینی ترافیک ، شبکه ، یادگیری عمیق ، LSTM ، Vision Transformer ، تبدیل گرمین زاویه ای ، مدل ترکیبی