Is your solution accurate? A fault-oriented performance prediction method for enhancing communication network reliability，发表于一区TOP期刊Reliability Engineering and System Safety上。
论文致力于解决通信网络可靠性领域的一个核心难题：如何快速且精确地预测网络在发生故障后的性能演化。现有的网络鲁棒性设计和优化方法（如弹性路由设计、网络结构优化等）严重依赖于对故障后网络性能变化的准确评估。然而，当前的性能预测方法存在明显局限：基于抽象指标的度量（如k终端可靠性）过于粗略，忽略了流量、排队、路由等多因素的综合影响；而基于排队论或数据驱动的方法虽追求效率，却未能充分考虑故障后网络复杂的自适应行为；至于高精度的离散事件模拟（DES），则因其配置复杂、计算成本极高且通用性差而难以适用于快速的网络设计与优化迭代。
为此，论文创新性地提出了NAB-DQN方法，其核心思想是将网络自适应行为动力学 与动态排队网络 相结合。该方法主要包含两个紧密耦合的模型：
-
故障导向的网络自适应行为动力学模型：该模型从路由层面精确刻画了网络在故障发生后的动态收敛过程。它将故障（分为路由器故障、链路故障、端口故障三类）触发后网络的恢复过程明确划分为"感知阶段"和"通知阶段"。模型集成了网络属性（拓扑、带宽、队列、流量）、路由协议模型（感知消息死亡间隔、通知消息发送间隔）、故障模型和路由器状态转换模型，通过算法模拟路由器在"正常"、"感知"、"通知"三种状态间的转换，并驱动全网路由表的更新，从而避免了DES中耗时的逐包事件仿真，极大地加速了网络状态的演进。
-
基于M/M/1/K容量受限动态Jackson开网络的流级性能预测：在行为动力学模型驱动路由动态变化的基础上，论文将整个通信网络建模为一个动态的Jackson开放排队网络。其中，每个路由器端口被视为一个M/M/1/K（容量有限）的排队系统。为了攻克"复杂的流路径依赖"这一挑战（即下游流性能受上游流排队和丢包影响），论文设计了一种多轮消息传递算法，迭代更新每条流在路径上各端包的到达率。同时，算法能识别因路由表不一致导致的"路由环路"、"路由错误"和"路由不可达"状况，并计算相应的性能损失。最终，结合排队论公式，该方法能够输出每条数据流的吞吐量、丢包率和时延等细粒度性能指标。
论文通过大量实验，与业界认可的离散事件模拟器OMNeT++进行对比，从三个维度全面验证了NAB-DQN的性能：
- 准确性：在NSFNET、GBN等多种真实及生成拓扑上，针对不同故障类型、不同路由协议参数（如OSPF的routerDeadInterval， RIP的routeExpiryTime）以及不同流量密度（0.2-0.8）进行测试。结果表明，在大多数场景下，NAB-DQN的流级性能预测误差（与DES结果相比）低于10%，平均绝对百分比误差（MAPE）维持在7%以内，并能够准确预测出因路由环路导致的时延尖峰等复杂动态。
- 通用性：方法成功应用于OSPF和RIP两种不同的路由协议，并能够从十余个节点的小规模网络推广到数百个节点的大规模BA无标度网络，且预测精度保持稳定，证明了其良好的泛化能力。
- 效率 ：在计算速度上，NAB-DQN展现出巨大优势。由于其采用数值计算而非包级仿真，预测时间不再与数据包数量线性相关。实验显示，在不同规模的网络下，NAB-DQN的预测速度比OMNeT++模拟快两个数量级（100倍以上），耗时均在百秒以内，为快速网络设计迭代提供了可能。
总之，NAB-DQN是首个实现流级、面向故障的通信网络性能预测方法，它成功地将评估维度从粗粒度的结构性指标推进到细粒度的服务质量（QoS）指标。论文结论指出，该方法的部署能显著加速网络可靠性增强等下游任务的实现。同时，作者也展望了未来利用图神经网络等先进AI技术进一步提升预测性能的潜力。