基于物理引导条件去噪扩散模型的WiFi合成网络流量生成方法PhysDiff-Net

《IEEE Transactions on Machine Learning in Communications and Networking》：PhysDiff-Net: Physics-Guided Diffusion for Synthetic Wireless Traffic Generation

　　为基准测试无线优化算法而生成的合成网络流量必须同时满足统计、时序和物理要求，而现有生成模型无法同时满足这些要求。为应对这一挑战，我们提出了PhysDiff-Net，一种用于合成WiFi网络流量生成的条件去噪扩散概率模型。该模型采用6层Transformer编码器骨干网络（562万参数），学习在小时标签条件下对网络流量数据进行迭代去噪。我们引入了三个组件：（1）变分小时条件控制，通过辅助分类损失强制编码强时序模式，从而生成对应于高峰和非高峰时段的明显不同的流量特征；（2）物理引导的训练损失，将信噪比与用户密度之间的负相关性作为显式无线领域先验，使生成器能够表示观测数据集中代表不足的干扰受限高负载条件；（3）方差引导扩散采样（VGDS），一种采样时干预方法，解决了时序导向所需的强无分类器引导与保持真实输出方差之间的权衡问题。VGDS采用自适应的事后校正，在保持时序模式和物理相关性的同时，将输出分布约束为匹配真实数据统计。PhysDiff-Net实现了100%的模式得分，满足全部三项物理验证标准，并保持跨特征相关性结构（ρ_FC = 0.856），在六项评估指标中的五项上优于VAE、TimeGAN和基础扩散模型。