基于数字孪生的网络性能估计系统
信息与通信工程学院
随着物联网、云计算和大数据等技术的发展，网络规模不断扩大，网络管理和运维变得越来越复杂。传统的手动配置和管理方法已经无法满足快速变化和高效运作的要求，自智网络的兴起解决了这些问题。它利用机器学习、深度学习和强化学习等技术，根据网络流量、性能指标和用户需求等信息做出智能决策，使网络能够自动感知、自动学习和自动优化，实现网络资源的自适应配置、故障和攻击的自动防御、流量工程的优化等功能。
因此，本项目创意的重点是创建一个基于神经网络的网络数字孪生，能够在给定网络状态和输入流量的情况下准确估计QoS性能指标，为自智网络提供数据基础和实时反馈。具体而言，解决方案需要考虑到网络拓扑、输入流量、流量、拓扑和配置之间的关系，预测每个流的平均延迟，同时实现自智网络的自我学习和不断优化。
本项目的意义在于通过使用真实网络数据集，可以更好地理解现有模型在真实网络中的性能表现，并准确估计网络性能。一方面，数字孪生通过模拟和预测真实系统的行为，为自智网络提供了基于实时数据的决策支持，帮助网络管理者做出及时且正确的决策，另一方面，实现了网络资源的优化配置，通过自智网络的智能决策和自我学习能力，能够更高效地调整网络拓扑、配置参数，优化流量工程，以提升网络的QoS性能，提高资源利用效率加速创新和优化过程。
该项目旨在开发基于图神经网络（GNN）的网络数字孪生体，以准确估计网络性能指标，特别是每流平均延迟。
