随着边缘计算技术的应用与发展，大量流量被卸载到边缘进行处理，改变了数据在网络中的流向。针对边缘网络开展高精度、细粒度的流量预测研究对于基于边缘节点的网络资源优化、网络资源编排、网络智能管理具有重要意义。面向多边缘节点网络拓扑，我中心先进网络技术与应用发展部智能流量感知团队提出了多变量可迁移网络流量预测架构—TransMUSE，极大提升模型的复用性，降低为每一个边缘节点和每一个应用维护单独预测模型的巨大开销，满足绿色网络发展需求；同时为进一步提升预测性能，挖掘具有相似模式时间序列的关联关系，降低训练模型所需数据的信息熵，提出基于推土机距离(Wasserstein距离)的时序序列聚类算法——WK-means，在某市采集的真实网络流量上完成实验验证，在八个边缘节点的平均预测准确度提升18%，模型迁移导致的精度损失控制在2%以内。研究成果已发表在爱思唯尔(Elsevier)旗下期刊《Computer Networks》。（撰稿人：徐陆阳 ）

　　图1 TransMUSE整体架构

　　相关成果： 

　　[1] L. Xu, H. Liu, J. Song, R. Li, Y. Hu, X. Zhou, P. Patras, TransMUSE: Transferable traffic prediction in multi-service edge networks, Computer Networks (2022).