[논문 리뷰] Applying Graph-based Deep Learning To Realistic Network Scenarios.

Miquel Ferriol-Galmés, José Suárez‐Varela외 2명|arXiv (Cornell University)|2020. 10. 13.

Advanced Graph Neural Networks참고 문헌 22인용 수 7

한 줄 요약

이 논문은 복잡하고 현실적인 네트워크 환경에서의 경로별 평균 지연을 정확하게 추정하는 그래프 기반 딥러닝 모델을 제안한다. 그래프 신경망을 활용해 네트워크의 구조적 정보와 트래픽 정보를 인코딩함으로써, 이 모델은 예측되지 않은 네트워크 구조, 라우팅 설정, 큐 스케줄링 정책, 트래픽 매트릭스에 대해 효과적으로 일반화된다.

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.

연구 동기 및 목표

• 복잡한 네트워크 환경에서 지연 및 잼프와 같은 핵심 성능 지표를 정확하게 추정하는 데에 기존의 머신러닝 기반 네트워크 모델의 한계를 해결하기 위해.
• 다양한 네트워크 구조, 라우팅 설정, 큐 스케줄링 정책에 대해 일반화되는 딥러닝 접근법을 개발하기 위해.
• 각 새로운 네트워크 설정에 대해 재학습이 필요 없이 정확한 데이터 기반의 지연 추정을 가능하게 하기 위해.
• 신뢰할 수 있는 실시간 성능 예측을 제공함으로써 네트워킹의 기능 최적화를 향상시키기 위해.

제안 방법

• 모델은 네트워크 구조, 트래픽 매트릭스, 큐 스케줄링 정책을 노드 및 엣지 특성으로 인코딩하기 위해 그래프 신경망(GNN)을 사용한다.
• 네트워크를 그래프로 처리하며, 노드는 라우터/스위치를 나타내고, 엣지는 관련된 트래픽 및 스케줄링 파rameter를 가진 통신 링크를 나타낸다.
• GNN은 노드 간 메시지 집계를 통해 종단 간 경로 특성을 반영하는 문맥 기반 표현을 학습한다.
• 최종 예측 헤드는 학습된 그래프 임베딩 기반으로 경로별 평균 지연을 회귀한다.
• 모델은 네트워크 시뮬레이션에서 얻은 레이블이 부여된 지연 측정값을 사용해 엔드 투 엔드로 훈련된다.
• 다양한 설정에서 네트워크 행동의 불변 표현을 학습함으로써, 새로운 구성에 대해 일반화된다.

실험 결과

연구 질문

• RQ1 그래프 기반 딥러닝 모델은 복잡한 큐 스케줄링 정책을 가진 현실적인 네트워크 환경에서 경로별 평균 지연을 정확하게 예측할 수 있는가?
• RQ2 모델은 새로운 네트워크 구조와 라우팅 설정에 대해 얼마나 잘 일반화되는가?
• RQ3 재학습 없이 트래픽 매트릭스와 큐 스케줄링 정책의 변화를 얼마나 잘 처리할 수 있는가?
• RQ4 예측 정확도와 일반화 능력 측면에서 기존의 머신러닝 기반 접근법보다 모델이 뛰어나게 성능을 발휘하는가?
• RQ5 그래프 표현에 네트워크 구조적 정보와 스케줄링 정보를 통합할 경우 어떤 영향을 미치는가?

주요 결과

• 제안된 모델은 다양한 복잡한 네트워크 구성에서 경로별 평균 지연 추정에 높은 정확도를 달성한다.
• 세부 조정 없이도 새로운 네트워크 구조, 라우팅 설정, 큐 스케줄링 정책에 효과적으로 일반화된다.
• 다양한 트래픽 매트릭스에서도 높은 성능 유지를 유지함으로써 입력 분포의 변화에 대해 강건함을 입증한다.
• 비그래프 기반 방법에 비해 종단 간 경로 동역학을 더 잘 포착할 수 있도록 그래프 기반 표현이 기여한다.
• 정확도와 일반화 능력 측면에서 베이스라인 머신러닝 기법보다 모델이 뛰어나다.
• 결과는 GNN을 활용한 스케일링 가능하고 정확한 네트워크 성능 모델링이 실환경과 유사한 환경에서 실현 가능하다는 것을 입증한다.