Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies

要約

このペーパーでは、大規模なワイヤレス通信ネットワークでのパケットベースの情報ルーティングの課題について説明します。
この問題は、各ネットワークノードがローカル情報のみを使用して動作する制約付き統計学習タスクとしてフレーム化されています。
日和見的なルーティングは、ワイヤレス通信のブロードキャスト性を活用して、最適な転送ノードを動的に選択し、複数のリレーノードを介して宛先に到達できるようにします。
これを解決するために、ネットワーク内のソースノードによって処理される総情報を最大化することを目的とした状態高度（SA）ベースの分散最適化アプローチを提案します。
問題の定式化は、ネットワークノード間のトポロジカル接続に基づいてグラフ畳み込みを実行するグ​​ラフニューラルネットワーク（GNNS）を活用します。
監視されていない学習パラダイムを使用して、GNNアーキテクチャからルーティングポリシーを抽出し、さまざまなフローにわたるソースノードの最適な決定を可能にします。
数値実験は、特にベースラインアルゴリズムと比較した場合、提案された方法がGNNパラメーター化モデルをトレーニングするときに優れたパフォーマンスを達成することを示しています。
さらに、この方法を現実世界のネットワークトポロジとワイヤレスアドホックネットワークテストベッドに適用すると、GNNの堅牢性と転送可能性を強調します。

要約(オリジナル)

This paper addresses the challenge of packet-based information routing in large-scale wireless communication networks. The problem is framed as a constrained statistical learning task, where each network node operates using only local information. Opportunistic routing exploits the broadcast nature of wireless communication to dynamically select optimal forwarding nodes, enabling the information to reach the destination through multiple relay nodes simultaneously. To solve this, we propose a State-Augmentation (SA) based distributed optimization approach aimed at maximizing the total information handled by the source nodes in the network. The problem formulation leverages Graph Neural Networks (GNNs), which perform graph convolutions based on the topological connections between network nodes. Using an unsupervised learning paradigm, we extract routing policies from the GNN architecture, enabling optimal decisions for source nodes across various flows. Numerical experiments demonstrate that the proposed method achieves superior performance when training a GNN-parameterized model, particularly when compared to baseline algorithms. Additionally, applying the method to real-world network topologies and wireless ad-hoc network test beds validates its effectiveness, highlighting the robustness and transferability of GNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google