选择性知识重用与自适应训练：实现自主网络中高效资源管理的方法 Fatemeh Tabatabaei 和 Hamzeh Khalili

《Machine Learning and Knowledge Extraction》：Selective Knowledge Reuse and Adaptive Retraining for Efficient Resource Management in Autonomous Networks Fatemeh Tabatabaei and Hamzeh Khalili

　　

摘要

本文提出了一种用于下一代网络动态资源分配的预测分析框架，重点关注5G和6G场景。该框架采用长短期记忆（LSTM）模型来预测流量模式，并主动支持网络环境中的自动化资源管理决策。在之前工作的基础上，我们引入了一种称为“认知迁移”的选择性知识转移机制，该机制允许重用先前训练模型中的相关组件。这种方法将多个模型整合为一个紧凑、通用的形式，并仅将最相关的部分转移到新的流量场景中，从而显著减少了从头开始训练的需求，尤其是在本地数据有限的情况下。这维护了一个初始的、经过整合的（基础）模型，该模型通过选择模型中最相关部分的相应内容来适应新的流量场景，这些内容是通过评分指标确定的。为了补充这一点，还集成了一种基于决策的模型重新训练策略，仅在性能下降时触发更新，以减少计算开销。该框架使用Abilene网络拓扑和流量数据集进行了评估。结果表明，该方法在保持高预测准确性的同时，最大限度地减少了资源供应不足的情况，这对于避免数据包丢失和确保高可靠性应用中的服务连续性至关重要。在四个网络链路上，与完全模型转移相比，我们的方法在放宽阈值的情况下将平均重新训练次数减少了1.8倍，而预测误差仅增加了0.0008。