Graph Neural Modeling of Network Flows

要約

ネットワークフロー問題とは、ネットワーク上のトラフィックを分配し、基盤となるインフラを有効に利用することを含む問題であり、輸送や物流において普遍的に存在するものである。中でもマルチコモディティネットワークフロー（MCNF）問題は、リンクの有効利用を達成しながら、複数のソースとシンクの間で異なるサイズの複数のフローを分配することに関係するため、一般的に関心が持たれています。データ駆動型最適化の魅力により、これらの問題はグラフ学習法を用いてアプローチされることが多くなってきている。本論文では、ネットワークフロー問題に対する新しいグラフ学習アーキテクチャとして、Per-Edge Weights (PEW)を提案する。この手法は、グラフアテンションネットワークをベースとし、各リンクに沿って明確にパラメトライズされたメッセージ関数を使用する。我々は、17$のサービスプロバイダトポロジと2$のルーティングスキームを用いたインターネットフロールーティングのケーススタディを通じて、提案するソリューションを広範囲に評価した。PEWは、グローバルメッセージ関数によってルーティングが不必要に制約されるアーキテクチャよりも大きな利点をもたらすことを示す。また、MLPは他の標準的なアーキテクチャと比較して競争力があることも明らかにした。さらに、グラフ構造とデータ駆動型ルーティングの予測性能の関係について、この分野の既存の研究では考慮されていない点を明らかにする。

要約(オリジナル)

Network flow problems, which involve distributing traffic over a network such that the underlying infrastructure is used effectively, are ubiquitous in transportation and logistics. Among them, the Multi-Commodity Network Flow (MCNF) problem is of general interest, as it concerns the distribution of multiple flows of different sizes between several sources and sinks, while achieving effective utilization of the links. Due to the appeal of data-driven optimization, these problems have increasingly been approached using graph learning methods. In this paper, we propose a novel graph learning architecture for network flow problems called Per-Edge Weights (PEW). This method builds on a Graph Attention Network and uses distinctly parametrized message functions along each link. We extensively evaluate the proposed solution through an Internet flow routing case study using $17$ Service Provider topologies and $2$ routing schemes. We show that PEW yields substantial gains over architectures whose global message function constrains the routing unnecessarily. We also find that an MLP is competitive with other standard architectures. Furthermore, we shed some light on the relationship between graph structure and predictive performance for data-driven routing of flows, an aspect that has not been considered by existing work in the area.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL