Network tomography, a classic research problem in the realm of network monitoring, refers to the methodology of inferring unmeasured network attributes using selected end-to-end path measurements. In the research community, network tomography is generally investigated under the assumptions of known network topology, correlated path measurements, bounded number of faulty nodes/links, or even special network protocol support. The applicability of network tomography is considerably constrained by these strong assumptions, which therefore frequently position it in the theoretical world. In this regard, we revisit network tomography from the practical perspective by establishing a generic framework that does not rely on any of these assumptions or the types of performance metrics. Given only the end-to-end path performance metrics of sampled node pairs, the proposed framework, NeuTomography, utilizes deep neural network and data augmentation to predict the unmeasured performance metrics via learning non-linear relationships between node pairs and underlying unknown topological/routing properties. In addition, NeuTomography can be employed to reconstruct the original network topology, which is critical to most network planning tasks. Extensive experiments using real network data show that comparing to baseline solutions, NeuTomography can predict network characteristics and reconstruct network topologies with significantly higher accuracy and robustness using only limited measurement data.

中文翻译：

---

神经网络断层扫描

网络断层扫描是网络监控领域的一个经典研究问题，是指使用选定的端到端路径测量来推断未测量网络属性的方法。在研究界，网络断层扫描通常在已知网络拓扑、相关路径测量、故障节点/链路数量有限，甚至特殊网络协议支持的假设下进行研究。网络断层扫描的适用性受到这些强假设的极大限制，因此经常将其置于理论世界中。在这方面，我们通过建立一个不依赖于任何这些假设或性能指标类型的通用框架，从实践的角度重新审视网络断层扫描。仅考虑采样节点对的端到端路径性能指标，所提出的框架 NeuTomography 利用深度神经网络和数据增强，通过学习节点对与底层未知拓扑/路由之间的非线性关系来预测未测量的性能指标特性。此外，NeuTomography 可用于重建原始网络拓扑，这对大多数网络规划任务至关重要。使用真实网络数据的大量实验表明，与基线解决方案相比，NeuTomography 可以仅使用有限的测量数据以显着更高的准确性和鲁棒性来预测网络特征和重建网络拓扑。通过学习节点对和潜在未知拓扑/路由属性之间的非线性关系，利用深度神经网络和数据增强来预测未测量的性能指标。此外，NeuTomography 可用于重建原始网络拓扑，这对大多数网络规划任务至关重要。使用真实网络数据的大量实验表明，与基线解决方案相比，NeuTomography 可以仅使用有限的测量数据以显着更高的准确性和鲁棒性来预测网络特征和重建网络拓扑。通过学习节点对和潜在未知拓扑/路由属性之间的非线性关系，利用深度神经网络和数据增强来预测未测量的性能指标。此外，NeuTomography 可用于重建原始网络拓扑，这对大多数网络规划任务至关重要。使用真实网络数据的大量实验表明，与基线解决方案相比，NeuTomography 可以仅使用有限的测量数据以显着更高的准确性和鲁棒性来预测网络特征和重建网络拓扑。这对大多数网络规划任务至关重要。使用真实网络数据的大量实验表明，与基线解决方案相比，NeuTomography 可以仅使用有限的测量数据以显着更高的准确性和鲁棒性来预测网络特征和重建网络拓扑。这对大多数网络规划任务至关重要。使用真实网络数据的大量实验表明，与基线解决方案相比，NeuTomography 可以仅使用有限的测量数据以显着更高的准确性和鲁棒性来预测网络特征和重建网络拓扑。