RouteNet-Gauss: Hardware-Enhanced Network Modeling with Machine Learning

要約

ネットワーク シミュレーションはネットワーク モデリングにおいて極めて重要であり、容量計画からパフォーマンス推定に至るまでのタスクを支援します。
離散イベント シミュレーション (DES) などの従来のアプローチは、計算コストと精度の点で限界に直面しています。
このペーパーでは、これらの課題に対処するためのテストベッド ネットワークと機械学習 (ML) モデルの新しい統合である RouteNet-Gauss を紹介します。
RouteNet-Gauss は、テストベッドをハードウェア アクセラレータとして使用することで、トレーニング データセットを迅速に生成し、現実世界の条件に忠実にネットワーク シナリオをシミュレートします。
実験結果によると、RouteNet-Gauss は、最先端の DES ベースの手法と比較して、予測誤差を最大 95% 大幅に削減し、推論時間で 488 倍の高速化を達成します。
RouteNet-Gauss のモジュラー アーキテクチャは、トポロジやルーティングなどのネットワーク シナリオの特定の特性に基づいて動的に構築されます。
これにより、最大 10 倍のネットワークを含む、トレーニング中に見られたネットワーク構成を超えたさまざまなネットワーク構成を理解し、一般化することができます。
さらに、Temporal Aggregated Performance Estimation (TAPE) をサポートし、構成可能な時間粒度を提供し、フロー パフォーマンス メトリックの高精度を維持します。
このアプローチは、シミュレーションの効率と精度の両方を向上させることが期待されており、ネットワーク オペレーターにとって価値のあるツールとなります。

要約(オリジナル)

Network simulation is pivotal in network modeling, assisting with tasks ranging from capacity planning to performance estimation. Traditional approaches such as Discrete Event Simulation (DES) face limitations in terms of computational cost and accuracy. This paper introduces RouteNet-Gauss, a novel integration of a testbed network with a Machine Learning (ML) model to address these challenges. By using the testbed as a hardware accelerator, RouteNet-Gauss generates training datasets rapidly and simulates network scenarios with high fidelity to real-world conditions. Experimental results show that RouteNet-Gauss significantly reduces prediction errors by up to 95% and achieves a 488x speedup in inference time compared to state-of-the-art DES-based methods. RouteNet-Gauss’s modular architecture is dynamically constructed based on the specific characteristics of the network scenario, such as topology and routing. This enables it to understand and generalize to different network configurations beyond those seen during training, including networks up to 10x larger. Additionally, it supports Temporal Aggregated Performance Estimation (TAPE), providing configurable temporal granularity and maintaining high accuracy in flow performance metrics. This approach shows promise in improving both simulation efficiency and accuracy, offering a valuable tool for network operators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google