QTSMixer, гибридная квантово-классическая модель, улучшает прогнозирование сетевого трафика, устраняя ограничения TSMixer в периодических сигналах и долгосрочных прогнозах. В нем представлены компоненты квантовой нейронной сети, управляемые обучаемыми параметрами, что на 6,72% превосходит TSMixer в долгосрочных прогнозах на основе реальных данных.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Квантово-классическая гибридная модель для долгосрочного прогнозирования сетевого трафика
В этой статье
Краткое содержание
Аннотация
Прогнозирование сетевого трафика, важнейшее применение анализа временных рядов, имеет важное значение для управления сетью и ее оптимизации. Традиционные статистические модели и методы машинного обучения используются для прогнозирования сетевого трафика, где последние достижения в архитектурах многоуровневых микшеров восприятия, в частности TSMixer, достигли самых современных показателей. Тем не менее, TSMixer сталкивается с проблемами с периодическими сигналами и долгосрочными прогнозами. Чтобы устранить эти ограничения, мы предлагаем модель Quantum TSMixer (QTSMixer) — гибридный квантово-классический подход, который использует квантовые нейронные сети для расширенного извлечения признаков, связанных с периодическими сигналами и долгосрочными зависимостями. Путем введения обучаемых параметров для управления силой квантовых компонентов создается гибридная структура многослойного восприятия и квантовой нейронной сети. Потенциал междоменного приложения QTSMixer и практические возможности применения демонстрируются с помощью эмпирического анализа на реальных наборах данных, в котором QTSMixer превосходит TSMixer на 6,72% в наборе данных долгосрочного прогнозирования сетевого трафика. В будущем развитие QTSMixer может быть дополнительно изучено в других областях, таких как анализ финансовых рынков и прогнозирование погоды.
Введение
Прогнозирование сетевого трафика (NTP)1,2,3, являясь важным применением анализа временных рядов 4,5, включает в себя анализ исторических данных сетевого трафика для выявления закономерностей и тенденций, тем самым прогнозируя будущие изменения трафика. Это имеет решающее значение для управления и оптимизации сети, поскольку может помочь сетевым операторам в распределении ресурсов, диагностике неисправностей, мониторинге безопасности и обеспечении качества обслуживания. Проблема NTP хо....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
Методология QTSMixer
Пусть 
— многомерный временной ряд длины sl и числа каналов c. Задача многомерного прогнозирования определяется как прогнозирование будущих значений 
с учетом некоторой истории 
с помощью модели
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Мы провели детальный эмпирический анализ некоторых наборов данных. Первый эксперимент основан на наборе данных LTNTF. Три города продемонстрировали различные модели распределения данных: город А показал значительную низкую точку транспортного потока в начале года; Город B сохранял относительно высокие значения в течение того же периода, в то время как город C демонстрировал более сбалансированное распределение в течение года, подробнее см. Дополнительный рисунок .......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
В этой статье мы предложили QTSMixer для долгосрочного NTP, который представляет собой новый квантово-классический гибридный подход с улучшенной точностью и междоменной адаптивностью. Данное исследование не только расширяет возможности применения квантовых вычислений в прогнозировании временных рядов, но и указывает направление их будущего развертывания на реальном квантовом оборудовании. Тем не менее, текущая квантово-классическая гибридная архитектура демонстрирует ограниченные возможности в обработке экзогенных переме.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
Авторы заявляют, что у них нет конкурирующих финансовых интересов.
Благодарности
Мы благодарим Юйлинь Чи, Ган Си Вана, Синьин Ли, Синь И и Фэй Вана за их содержательные дискуссии.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| DeepQuantum | TuringQ Co., Ltd. | https://deepquantum.turingq.com/ | Эффективная программная среда для квантового машинного обучения и оптических квантовых вычислений, разработанная TuringQ. |
| Qiskit | IBM https://www.ibm.com/quantum/qiskit | SDK с открытым исходным кодом для работы с квантовыми компьютерами на уровне расширенных квантовых схем, операторов и примитивов. | |
| ibm_brisbane | IBM | https://quantum.ibm.com/ | Сверхпроводящий квантовый компьютер в семействе IBM Quantum Eagle. |
| Набор данных LTNTF | China Mobile | https://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovation | Набор данных поступает с платформы искусственного интеллекта Jiutian компании China Mobile. |
| python3.10 | Python Software Foundation | https://www.python.org/downloads/release/python-3100/ | |
| технология квантовой повторной загрузки | Pé Рез-Салинас, А., Сервера-Лиерта, А., Гиль-Фустер, Э., Латорре, Ж. И. Повторная загрузка данных для универсального квантового классификатора. Квант. 4 226 (2019). | ||
| Структура BasicTS+ | Shao, Z. et al. Изучение прогресса в прогнозировании многомерных временных рядов: комплексный бенчмаркинг и анализ гетерогенности. IEEE Transactions on Knowledge and Data Engineering. 37 291-305 (2023). | arXiv:2310.06119v2 | |
| GPU A100 | NVIDIA | 80G GPU | |
| Transformers | Hugging Face | https://huggingface.co/ | Платформа, на которой сообщество машинного обучения совместно работает над моделями, наборами данных и приложениями. |
Ссылки
- Joshi, M., Theyazn, H. H. A review of network traffic analysis and prediction techniques. arXiv preprint. , (2015).
- Ferreira, G. O., Ravazzi, C., Dabbene, F., Calafiore, G. C., Fiore, M. Forecasting network traffic: A survey and tutorial with open-source comparative evaluation. IEEE Access. 11, 6018-6044 (2023).....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Перепечатки и разрешения
Теги
