PLATONT: Einheitliche Netzwerk‑Tomographie mit platonischer Repräsentation
Die Netzwerk‑Tomographie versucht, verborgene Zustände wie Latenz, Paketverlust, Bandbreite und Topologie allein aus externen Messungen zu rekonstruieren. Traditionelle Ansätze behandeln diese Aufgaben jedoch einzeln und nutzen nur begrenzte, aufgabenspezifische Signale, was die Generalisierbarkeit und Interpretierbarkeit einschränkt.
PLATONT löst dieses Problem, indem es verschiedene Netzwerk‑Indikatoren als Projektionen eines gemeinsamen latenten Netzwerk‑Zustands modelliert. Durch multimodale Ausrichtung und kontrastives Lernen wird dieser latente Raum trainiert, sodass mehrere Tomographie‑Aufgaben gleichzeitig in derselben strukturierten Repräsentation verarbeitet werden können. Das Ergebnis ist ein kompakter, gut strukturierter Zustand, der die Leistung über Aufgaben hinweg verbessert.
Experimentelle Tests auf synthetischen und realen Netzwerken zeigen, dass PLATONT die Genauigkeit bei der Schätzung von Link‑Leistungen, der Topologie‑Inference und der Verkehrs‑Vorhersage über bestehende Methoden hinaus steigert. Zudem bleibt die Robustheit unter wechselnden Netzwerkbedingungen stark, was PLATONT zu einem vielversprechenden Ansatz für die zukünftige Netzwerk‑Diagnose macht.