[論文レビュー] Machine Learning Applications in the Routing in Computer Networks

Ke Liang, Mitchel Myers|arXiv (Cornell University)|Apr 5, 2021

Software-Defined Networks and 5G被引用数 4

ひとこと要約

本サーベイは、コンピュータネットワークルーティングにおける機械学習の応用を検討し、教師あり学習および強化学習を用いた集中型と分散型アーキテクチャを評価する。シミュレーションではルーティング性能の向上が示されたが、実環境での検証は限定的であり、実用的導入に関する研究の必要性が浮き彫りになっている。

ABSTRACT

Development of routing algorithms is of clear importance as the volume of Internet traffic continues to increase. In this survey, there is much research into how Machine Learning techniques can be employed to improve the performance and scalability of routing algorithms. We surveyed both centralized and decentralized ML routing architectures and using a variety of ML techniques broadly divided into supervised learning and reinforcement learning. Many of the papers showed promise in their ability to optimize some aspect of network routing. We also implemented two routing protocols within 14 surveyed routing algorithms and verified the efficacy of their results. While the results of most of the papers showed promise, many of them are based on simulations of potentially unrealistic network configurations. To provide further efficacy to the results, more real-world results are necessary.

研究の動機と目的

• 機械学習技術をネットワークルーティングに統合し、パフォーマンスとスケーラビリティを向上させるための分析。
• コンピュータネットワークにおけるルーティングのための集中型および分散型機械学習アーキテクチャの評価。
• 教師あり学習および強化学習がルーティング意思決定を最適化する効果の評価。
• 現行研究における主な制限、特に現実的でないシミュレーションへの過剰依存の特定。
• 調査されたアルゴリズムから2つのルーティングプロトコルを実装・テストすることで、実証的検証の提供。

提案手法

• 近年のネットワーキングおよび機械学習分野の文献から14のMLベースのルーティングアルゴリズムを系統立てて調査。
• 学習アーキテクチャを集中型と分散型に分類。
• 手法を教師あり学習（例：回帰、分類）および強化学習（例：Q学習、ディープQネットワーク）に分類。
• 性能主張の検証のため、代表的な2つのルーティングプロトコルを実装・評価。
• 多様なネットワークトポロジーおよびトラフィックパターンにおけるシミュレーション結果の分析。
• MLベースのルーティングと従来のプロトコルを比較し、効率性、遅延、スケーラビリティの向上を評価。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、ネットワークルーティングアルゴリズムのパフォーマンスとスケーラビリティをどのように向上させ得るか？
• RQ2 集中型と分散型MLベースのルーティングアーキテクチャの主な違いとトレードオフは何か？
• RQ3 教師あり学習および強化学習手法は、シミュレーション環境において、従来のルーティングプロトコルをどの程度上回るか？
• RQ4 現在のMLベースのルーティングアプローチにおける主な制限、特にシミュレーションの現実性の欠如は何か？
• RQ5 MLベースのルーティングプロトコルの実環境導入は、一貫したパフォーマンス向上を示せるか？

主な発見

• 多くのMLベースのルーティングアルゴリズムは、シミュレーション環境において遅延、スループット、負荷分散の面で顕著な向上を示している。
• 強化学習アプローチは、動的ネットワーク状態およびトラフィック変動への高い適応性を示している。
• 教師あり学習手法は、履歴ネットワークデータに基づく訓練により、最適パスの予測で高い正確性を達成している。
• 集中型学習アーキテクチャはしばしば優れたパフォーマンスを示すが、スケーラビリティと単一障害点の課題を抱えている。
• 分散型学習手法は耐障害性とスケーラビリティを向上させるが、最適解への収束が遅くなる可能性がある。
• 強力なシミュレーション結果にもかかわらず、実環境での検証が不足していることが、大多数の調査対象アプローチにおける深刻な制限要因である。