学位论文简介

网络测量数据采集和分析是网络管理和应用的重要前提。本文针对网络测量数据采集和分析中存在的两个核心问题：缺失数据恢复和数据压缩，基于张量模型、张量分解算法和深度学习技术展开了深入研究，主要研究成果如下：

1. 为了捕获网络数据的偏斜分布和复杂的非线性特征，提出基于深度对抗张量填充的网络数据精确恢复方法。显著提高了现有算法的恢复精度，同时捕获网络数据的数据分布，且支持在线执行。

2. 针对现有张量分解模型在嵌入因子向量和交互函数上的设计缺陷，提出基于轻量级三线性池化的张量填充方法，以低复杂度捕获因子向量之间复杂的交互关系。以较小的存储空间快速地降低缺失数据恢复的误差，改进了最先进神经网络填充算法的误差。

3. 针对现有方法仅针对单一指标进行恢复的问题，提出基于关联学习张量填充的多指标网络测量数据恢复方法，使用测量代价低的往返时延帮助恢复测量代价高的吞吐量，降低网络测量代价，提高吞吐量的恢复精度。

4. 针对现有压缩方法无法处理缺失值和噪声的问题以及Tucker分解压缩率高、难以确定秩的问题，提出基于低秩张量分解和量化编码的鲁棒数据压缩方法，在 Tucker 分解框架下提出秩确定方法，深入分析核心张量和因子矩阵的数值特征，并定制量化和编码方案，显著提高 Tucker 分解的压缩比。

主要学术成果

1. Xie K, Ouyang Y, Wang X, et al. Deep Adversarial Tensor Completion for Accurate Network Traffic Measurement[J]. IEEE/ACM Transactions on Networking, 2023, 31(5):2101-2116.（导师第一作者，本人第二作者，CCF 推荐 A 类期刊，SCI 二区）

2. Ouyang Y, Xie K, Wang X, et al. Lightweight trilinear pooling based tensor completion for network traffic monitoring[C]. IEEE INFOCOM 2022: 2128-2137.（本人第一作者，CCF 推荐 A 类会议）

3. Ouyang Y, Xie K, Xie G, 等. 面向大规模网络测量的数据恢复算法:基于关联学习的张量填充[J].电子学报, 2022, 50(07):1653-1663. (DOI:10.12263/DZXB.20211703.)（本人第一作者，CCF 推荐 T1 类中文期刊）

4. Ouyang Y, Xie K, Wen J, et al. A Robust Low-rank Tensor decomposition and Quantization based Compression Method[C]. ICDE 2024.（本人第一作者，CCF 推荐 A 类会议，Accept）

5. Xie K, Li S, Wang X, Xie G, Ouyang Y. Expectile Tensor Completion to Recover Skewed Network Monitoring Data[C]. IEEE INFOCOM 2021: 1-10.（CCF 推荐 A 类会议）

6. Xie K, Wang X, Wang X, Chen Y, Xie G, Ouyang Y, et al. Accurate recovery of missing network measurement data with localized tensor completion[J]. IEEE/ACM Transactions on Networking, 2019, 27(6): 2222-2235.（CCF 推荐 A 类期刊）