HTNet：利用异构时间GNN进行动态无线局域网性能预测
摘要：预测无线局域网（WLAN）部署的吞吐量是设计稳健高性能WLAN系统中经典的问题。然而，由于越来越复杂的通信协议和越来越密集的WLAN部署中设备之间的干扰增加，传统方法在运行时间或预测误差方面要么很大，要么无法应用于下游任务。最近，图神经网络已被证明是强大的图分析模型，并广泛应用于各种网络问题，如链路调度和功率分配。在这项工作中，我们提出了HTNet，一种专门从动态WLAN部署中提取特征的异构时态图神经网络。通过分析WLAN部署图的独特图结构，我们展示了HTNet在每个快照上实现了最大的表达能力。基于强大的消息传递方案，与其他基于GNN的方法相比，HTNet需要更少的层数，这意味着需要更少的支持数据和运行时间。为了评估HTNet的性能，我们准备了六个不同的设置，包括超过五千个密集动态WLAN部署，涵盖了各种真实场景。HTNet在所有六个设置中都实现了最低的预测误差，平均改进了25.3\%以上，超过了现有方法的水平。
作者：Hongkuan Zhou, Rajgopal Kannan, Ananthram Swami, Viktor Prasanna
论文ID：2304.10013
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-04-21