RouteNet-Fermi: Network Modeling with Graph Neural Networks

要約

ネットワーク モデルは、最新のネットワークの重要なブロックです。
たとえば、ネットワークの計画や最適化に広く使用されています。
ただし、ネットワークの規模と複雑さが増大するにつれて、キュー理論モデルにおけるマルコフ トラフィックの仮定や、ネットワーク シミュレーターの高い計算コストなど、一部のモデルには制限が生じます。
グラフ ニューラル ネットワーク (GNN) などの機械学習の最近の進歩により、データ駆動型で複雑な非線形動作を学習できる新世代のネットワーク モデルが可能になりました。
このペーパーでは、キュー理論と同じ目標を共有しながら、現実的なトラフィック モデルが存在する場合にかなり正確になるカスタム GNN モデルである RouteNet-Fermi を紹介します。
提案されたモデルは、ネットワークの遅延、ジッター、パケット損失を正確に予測します。
私たちは、混合トラフィック プロファイル (複雑な非マルコフ モデルなど) と任意のルーティングおよびキュー スケジューリング構成を含むサンプルを含め、サイズが増加するネットワーク (最大 300 ノード) で RouteNet-Fermi をテストしました。
私たちの実験結果は、RouteNet-Fermi が計算コストのかかるパケット レベルのシミュレーターと同様の精度を達成し、より大規模なネットワークに正確に拡張できることを示しています。
私たちのモデルは、トレーニング中に見られたものよりも 1 桁大きいネットワーク トポロジを含む 1,000 サンプルのテスト データセットに適用した場合、平均相対誤差 6.24% の遅延推定値を生成します。
最後に、物理テストベッドからの測定値と実際のネットワークからのパケット トレースを使用して RouteNet-Fermi も評価しました。

要約(オリジナル)

Network models are an essential block of modern networks. For example, they are widely used in network planning and optimization. However, as networks increase in scale and complexity, some models present limitations, such as the assumption of Markovian traffic in queuing theory models, or the high computational cost of network simulators. Recent advances in machine learning, such as Graph Neural Networks (GNN), are enabling a new generation of network models that are data-driven and can learn complex non-linear behaviors. In this paper, we present RouteNet-Fermi, a custom GNN model that shares the same goals as Queuing Theory, while being considerably more accurate in the presence of realistic traffic models. The proposed model predicts accurately the delay, jitter, and packet loss of a network. We have tested RouteNet-Fermi in networks of increasing size (up to 300 nodes), including samples with mixed traffic profiles — e.g., with complex non-Markovian models — and arbitrary routing and queue scheduling configurations. Our experimental results show that RouteNet-Fermi achieves similar accuracy as computationally-expensive packet-level simulators and scales accurately to larger networks. Our model produces delay estimates with a mean relative error of 6.24% when applied to a test dataset of 1,000 samples, including network topologies one order of magnitude larger than those seen during training. Finally, we have also evaluated RouteNet-Fermi with measurements from a physical testbed and packet traces from a real-life network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google