[論文レビュー] Applying Graph-based Deep Learning To Realistic Network Scenarios.

Miquel Ferriol-Galmés, José Suárez‐Varela+2 more|arXiv (Cornell University)|Oct 13, 2020

Advanced Graph Neural Networks参考文献 22被引用数 7

ひとこと要約

本論文では、複雑で現実的なネットワーク環境において、経路ごとの平均遅延を正確に推定するグラフベースのディープラーニングモデルを提案する。グラフニューラルネットワーク（GNN）を活用してネットワークのトポロジーおよびトラフィック情報を符号化することで、未学習のトポロジー、ルーティング設定、キューのスケジューリングポリシー、およびトラフィック行列に対しても、効果的に一般化できる。

ABSTRACT

Recent advances in Machine Learning (ML) have shown a great potential to build data-driven solutions for a plethora of network-related problems. In this context, building fast and accurate network models is essential to achieve functional optimization tools for networking. However, state-of-the-art ML-based techniques for network modelling are not able to provide accurate estimates of important performance metrics such as delay or jitter in realistic network scenarios with sophisticated queue scheduling configurations. This paper presents a new Graph-based deep learning model able to estimate accurately the per-path mean delay in networks. The proposed model can generalize successfully over topologies, routing configurations, queue scheduling policies and traffic matrices unseen during the training phase.

研究の動機と目的

• 複雑なネットワーク環境における遅延やジッタといった重要なパフォーマンス指標を正確に推定するという、既存の機械学習ベースのネットワークモデルの限界を解消すること。
• 多様なネットワークトポロジー、ルーティング設定、キューのスケジューリングポリシーに一般化できるディープラーニングアプローチを開発すること。
• 各新しいネットワーク設定に対して再トレーニングを必要とせず、正確なデータ駆動型の遅延推定を可能にすること。
• 信頼性の高いリアルタイムのパフォーマンス予測を提供することで、ネットワーキングにおける機能最適化を向上させること。

提案手法

• モデルは、ネットワークトポロジー、トラフィック行列、キューのスケジューリングポリシーをノードおよびエッジ特徴量として符号化するためにグラフニューラルネットワーク（GNN）を用いる。
• ネットワークをグラフとして処理し、ノードはルータ/スイッチを、エッジは関連するトラフィックおよびスケジューリングパrameterを持つ通信リンクを表す。
• GNNはノード間でのメッセージの集約を処理し、エンドツーエンドの経路特性を捉える文脈的表現を学習する。
• 最終的な予測ヘッドは、学習されたグラフ埋め込みに基づいて、経路ごとの平均遅延を回帰する。
• モデルは、ネットワークシミュレーションからのラベル付き遅延測定値を用いてエンドツーエンドでトレーニングされる。
• 多様な設定におけるネットワーク動作の不変表現を学習することで、未学習の設定に対しても一般化が可能になる。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのディープラーニングモデルは、複雑なキューのスケジューリングを伴う現実的なネットワーク環境において、経路ごとの平均遅延を正確に予測できるか？
• RQ2 モデルは、未学習のネットワークトポロジーおよびルーティング設定に対してどの程度一般化できるか？
• RQ3 再トレーニングなしで、トラフィック行列およびキューのスケジューリングポリシーの変化にどの程度耐性を示せるか？
• RQ4 予測精度および一般化性能の面で、既存の機械学習ベースのアプローチを上回っているか？
• RQ5 グラフ表現にトポロジーおよびスケジューリング情報を組み込むことで、どのような影響が生じるか？

主な発見

• 提案されたモデルは、多様で複雑なネットワーク設定において、経路ごとの平均遅延推定において高い正確性を達成した。
• 微調整なしに、未学習のトポロジー、ルーティング設定、キューのスケジューリングポリシーに対しても、効果的に一般化した。
• 変動するトラフィック行列に対しても強固な性能を維持したため、入力分布のシフトに対しても耐性があることが示された。
• グラフベースの表現により、非グラフ手法に比べてエンドツーエンドの経路ダイナミクスをよりよく捉えることができた。
• 精度および一般化能力の両面で、ベースラインの機械学習手法を上回った。
• 結果から、GNNを用いたスケーラブルで正確なネットワークパフォーマンスモデリングが、実環境に近い環境で実現可能であることが示された。