【爱丁堡博士论文】深度神经移动网络，Deep Neural Mobile Networking

下一代移动网络将变得越来越复杂，因为越来越多的连接设备在吞吐量、延迟和可靠性方面有着不同的性能要求，这些设备将难以适应巨大的数据流量需求。这使得对众多网络元素的监控和管理很难用现有的工具进行，而传统的机器学习算法依赖于手工制作的特征工程，这也不现实。在这种情况下，将机器智能嵌入移动网络变得十分必要，因为这样可以系统地从移动大数据中挖掘有价值的信息，并自动发现那些人类专家难以提取的相关性。特别是，基于深度学习的解决方案可以自动从原始数据中提取特征，而无需人类的专门知识。人工智能(AI)在其他领域的表现吸引了学术界和产业界对使用深度学习方法解决移动网络技术挑战前所未有的兴趣。本文利用深度神经网络的最新进展，从不同的角度研究移动网络领域的重要问题。

本文利用深度神经网络的最新进展，从不同的角度研究移动网络领域的重要问题。作为开场白，我们通过一项关于深度学习和移动网络之间交叉关系的调查，来缩小深度学习和移动网络之间的差距。其次，我们设计了专门的深度学习架构来预测城市规模的移动流量消费。特别是，我们针对不同的移动流量数据结构(即来自城市网格和地理空间点云天线部署的数据)定制了我们的深度神经网络模型，以提供精确的预测。接下来，我们提出了一种移动流量超分辨率(MTSR)技术，利用生成对抗网络架构实现移动流量测量的粗到细粒度转换。这可以为移动运营商提供关于移动流量分布的深度知识，同时有效地减少数据后处理开销。随后，提出了基于深度学习的移动流量分解(MTD)技术，将聚合的移动流量测量数据分解为服务级时间序列。使用MTD，移动运营商可以为网络切片(即物理基础设施的逻辑分区)执行更有效的资源分配，并减轻深度包检查的广泛使用带来的隐私问题。最后，我们以一个真实的黑箱威胁模型研究了网络特定深度异常检测器的鲁棒性，并提出了可靠的解决方案，以防御那些试图颠覆现有的基于深度学习的网络入侵检测系统(NIDS)的攻击。

最后,根据获得的结果,我们识别重要的研究方向,是值得追求的未来,包括 (1) 服务深度学习与大规模的高质量数据；(2) 深度学习时空移动数据挖掘；(3) 深度学习几何移动数据挖掘(iv)无监督学习在移动网络和移动网络；(4) 强化学习控制。总的来说，本文证明了深度学习可以支持强大的工具，解决移动网络领域的数据驱动问题。有了这样的智能，未来的移动网络可以更有效地监控和管理，从而保证更高的用户体验质量。