利用大型语言模型实现细粒度数据检索与生成增强技术,以提升模拟数据辅助的路由器性能估算效果
《IEICE Transactions on Communications》:Attentive retrieval-augmented generation with large language models for simulation-data-enhanced router performance estimation
【字体:
大
中
小
】
时间:2025年12月04日
来源:IEICE Transactions on Communications 0.6
编辑推荐:
摘要:预计未来的6G载波网络将在集成多种技术的异构网络中验证其性能。这种集成需要在不可预测的条件下有效验证网络性能。为此,提出了一种节点建模方法,以便在部署前估算实际的网络节点性能。然而,由于收集各种条件下的大量真实世界数据成本高昂且难度较大,基于机器学习算法开发此类模型颇具挑战
摘要:
预计未来的6G载波网络将在集成多种技术的异构网络中验证其性能。这种集成需要在不可预测的条件下有效验证网络性能。为此,提出了一种节点建模方法,以便在部署前估算实际的网络节点性能。然而,由于收集各种条件下的大量真实世界数据成本高昂且难度较大,基于机器学习算法开发此类模型颇具挑战性。另一种方法是使用来自数据丰富领域的数据对模型进行微调,以提高估算精度;不过这也会增加运营成本,因为需要仔细选择相关数据并调整参数。因此,本研究旨在使用有限的真实世界训练数据提高路由器性能估算的精度,同时避免复杂的微调过程。我们提出了一种结合注意力机制的检索增强生成(Attentive Retrieval-Augmented Generation, RAG)方法和大型语言模型(Large Language Models, LLMs),通过将真实世界数据与最相关的仿真数据相结合来构建用于估算实际路由器性能的模型。通过在单一路由器场景中使用商用服务器运行的软件路由器对所提出方法的有效性进行了评估。我们研究了自然语言处理技术如何捕捉细微的特征关系以提高路由器性能估算的精度。实验结果表明,与没有使用LLM的基线回归器以及在使用有限真实世界训练数据的场景中使用LLM的回归器相比,所提出的注意力机制RAG方法能够提高实际路由器性能指标(如吞吐量、丢包率和 packet 延迟)的估算精度。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号