Open World Learning Graph Convolution for Latency Estimation in Routing Networks

要約

正確なルーティング ネットワーク ステータスの推定は、Software Defined Networking の重要なコンポーネントです。
ただし、ネットワーク ルーティングをモデル化するための既存の深層学習ベースの方法では、目に見えない特徴分布を推定することができません。
また、オープンワールドの入力を含むテスト セットでスケーリングおよびドリフトされたネットワーク属性を処理することもできません。
これらの課題に対処するために、グラフ ニューラル ネットワークを使用してネットワーク ルーティングをモデル化する新しいアプローチを提案します。
私たちの方法は、ネットワーク遅延の推定にも使用できます。
ドメイン知識を利用したグラフ定式化によってサポートされているこのモデルは、さまざまなネットワーク サイズやルーティング ネットワーク構成にわたって安定したパフォーマンスを共有すると同時に、目に見えないサイズ、構成、およびユーザーの行動を推定することができます。
私たちのモデルは、予測精度、計算リソース、推論速度、およびオープンワールド入力に向けて一般化する能力の点で、ほとんどの従来の深層学習ベースのモデルよりも優れていることを示します。

要約(オリジナル)

Accurate routing network status estimation is a key component in Software Defined Networking. However, existing deep-learning-based methods for modeling network routing are not able to extrapolate towards unseen feature distributions. Nor are they able to handle scaled and drifted network attributes in test sets that include open-world inputs. To deal with these challenges, we propose a novel approach for modeling network routing, using Graph Neural Networks. Our method can also be used for network-latency estimation. Supported by a domain-knowledge-assisted graph formulation, our model shares a stable performance across different network sizes and configurations of routing networks, while at the same time being able to extrapolate towards unseen sizes, configurations, and user behavior. We show that our model outperforms most conventional deep-learning-based models, in terms of prediction accuracy, computational resources, inference speed, as well as ability to generalize towards open-world input.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google