FERN: Leveraging Graph Attention Networks for Failure Evaluation and Robust Network Design

要約

パフォーマンス/コスト目標を最適化しながら、さまざまな障害シナリオ下でネットワークの可用性を保証することを目的とした堅牢なネットワーク設計が大きな注目を集めています。
既存のアプローチは多くの場合、モデルベースの混合整数最適化に依存していますが、特定のエンジニアリング問題を解決するために拡張したり深層学習を採用したりするのは困難ですが、一般化可能性は限られています。
この論文では、障害評価が既存のソリューションの扱いやすさと拡張性を向上させる共通のカーネルを提供することを示します。
グラフ アテンション ネットワークを使用してこの一般的なカーネルのニューラル ネットワーク関数近似を提供することで、スケーラブルな障害評価と堅牢なネットワーク設計のための統合学習ベースのフレームワーク FERN を開発します。
FERN は、豊富な問題入力をグラフとして表し、グラフからの特徴抽出を注意深く実行することでローカルとグローバルの両方のビューをキャプチャします。
これにより、このホワイトペーパーで説明する堅牢なネットワーク検証、ネットワーク アップグレードの最適化、フォールト トレラント トラフィック エンジニアリングなど、広範囲にわたる堅牢なネットワーク設計問題を共通のカーネルに基づいて再構築し、ニューラル ネットワークとネットワークを使用して効率的に計算できるようになります。
小規模な一連の重大な障害シナリオに対応します。
現実のネットワーク トポロジに関する広範な実験により、FERN が OSPF と最適なルーティング スキームの両方の主要な障害シナリオを効率的かつ正確に特定でき、さまざまなトポロジや入力トラフィック パターンにうまく一般化できることが示されています。
複数の堅牢なネットワーク設計の問題をそれぞれ 80 倍、200 倍、10 倍以上高速化でき、パフォーマンスの差はごくわずかです。

要約(オリジナル)

Robust network design, which aims to guarantee network availability under various failure scenarios while optimizing performance/cost objectives, has received significant attention. Existing approaches often rely on model-based mixed-integer optimization that is hard to scale or employ deep learning to solve specific engineering problems yet with limited generalizability. In this paper, we show that failure evaluation provides a common kernel to improve the tractability and scalability of existing solutions. By providing a neural network function approximation of this common kernel using graph attention networks, we develop a unified learning-based framework, FERN, for scalable Failure Evaluation and Robust Network design. FERN represents rich problem inputs as a graph and captures both local and global views by attentively performing feature extraction from the graph. It enables a broad range of robust network design problems, including robust network validation, network upgrade optimization, and fault-tolerant traffic engineering that are discussed in this paper, to be recasted with respect to the common kernel and thus computed efficiently using neural networks and over a small set of critical failure scenarios. Extensive experiments on real-world network topologies show that FERN can efficiently and accurately identify key failure scenarios for both OSPF and optimal routing scheme, and generalizes well to different topologies and input traffic patterns. It can speed up multiple robust network design problems by more than 80x, 200x, 10x, respectively with negligible performance gap.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google