[논문 리뷰] Distributed Scheduling using Graph Neural Networks

Zhongyuan Zhao, Gunjan Verma외 3명|arXiv (Cornell University)|2020. 11. 18.

Cooperative Communication and Network Coding참고 문헌 29인용 수 6

한 줄 요약

이 논문은 무선 네트워크에서 최대 가중 독립 집합(MWIS) 스케줄링을 위한 그래프 컬러리션 네트워크(GCN) 기반 분산 그레디언트 알고리즘을 제안한다. 링크 간의 충돌 구조를 반영한 노드 임베딩을 학습함으로써, 표준 분산 그레디언트 스케줄러의 부분최적화 갭을 소형에서 중형 네트워크에서 약 50% 감소시키며, 복잡도 증가가 최소이면서 다양한 그래프 유형 간에 뛰어난 일반화 성능을 보인다.

ABSTRACT

A fundamental problem in the design of wireless networks is to efficiently schedule transmission in a distributed manner. The main challenge stems from the fact that optimal link scheduling involves solving a maximum weighted independent set (MWIS) problem, which is NP-hard. For practical link scheduling schemes, distributed greedy approaches are commonly used to approximate the solution of the MWIS problem. However, these greedy schemes mostly ignore important topological information of the wireless networks. To overcome this limitation, we propose a distributed MWIS solver based on graph convolutional networks (GCNs). In a nutshell, a trainable GCN module learns topology-aware node embeddings that are combined with the network weights before calling a greedy solver. In small- to middle-sized wireless networks with tens of links, even a shallow GCN-based MWIS scheduler can leverage the topological information of the graph to reduce in half the suboptimality gap of the distributed greedy solver with good generalizability across graphs and minimal increase in complexity.

연구 동기 및 목표

• 분산 그레디언트 알고리즘이 중요한 구조적 정보를 忽시하는 경향이 있어 발생하는 부분최적화 성능 문제를 해결하기 위해.
• 그래프 신경망을 활용하여 스케줄링 효율을 향상시키는 확장 가능한 분산 MWIS 해법을 개발하기 위해.
• 학습 중에 정확한 MWIS 해답이 필요 없이 다양한 네트워크 구조와 유틸리티 분포에 대해 일반화할 수 있도록 하기 위해.
• 기본 그레디언트 방법 대비 근사 품질을 크게 향상시키면서도 계산 및 통신 오버헤드를 낮게 유지하기 위해.

제안 방법

• 충돌 그래프로부터 구조 인식 노드 임베딩을 학습하기 위해 그래프 컬러리션 네트워크(GCN)를 사용한다.
• GCN은 네트워크의 인접 구조와 링크 가중치를 처리하여 맥락 기반의 노드 표현을 생성한다.
• 학습된 임베딩은 각 링크의 유틸리티 가중치와 조합된 후 분산 그레디언트 MWIS 해법에 입력된다.
• GCN는 정확한 MWIS 해답이 필요 없이 시뮬레이션된 충돌 그래프에서 자기학습 방식으로 훈련된다.
• 최종 스케줄링 결정은 GCN 임베딩 가중치와 그레디언트 선택 규칙을 사용해 완전히 분산 방식으로 이루어진다.
• 특정 링크 유틸리티 함수에 종속되지 않아 기존 스케줄링 프로토콜과의 통합이 가능하다.

실험 결과

연구 질문

• RQ1 학습 가능한 구조 인식 컴포onent이 분산 그레디언트 MWIS 해법의 성능을 향상시킬 수 있는가?
• RQ2 GCN 기반 MWIS 해법은 다양한 무작위 그래프 모델(Erdős–Rényi 대비 Barabási–Albert 등) 간에 얼마나 잘 일반화되는가?
• RQ3 근사 비율과 일반화 성능 측면에서 GCN의 깊이와 성능 간의 상호 관계는 어떠한가?
• RQ4 제안된 방법은 복잡도 증가가 미미한 수준에서 표준 그레디언트 스케줄러 대비 뚜렷한 성능 향상을 달성하는가?

주요 결과

• GCN 기반 스케줄러는 최적의 스루풋 대비 평균 근사 비율 95.6%(L=1)와 96.1%(L=20)를 달성하였으며, 기준 국소 그레디언트 스케줄러는 91.1%였다.
• 1층 GCN는 소형에서 중형 네트워크에서 그레디언트 해법의 부분최적화 갭을 약 50% 감소시켰다.
• 깊은 GCN(L=20)은 얕은 GCN(L=1)보다 略적으로 더 좋은 성능과 낮은 분산을 보였지만, 평균 근사 비율에서의 향상은 미미했다.
• GCN 기반 방법은 다양한 그래프 모델 간에 뛰어난 일반화 성능을 보였다: 예를 들어 ER 모델에서 훈련하고 BA 모델에서 테스트해도 성능이 유지되어 강력한 전이 능력이 입증되었다.
• 1층 GCN는 성능와 복잡도의 균형이 뛰어나, 기준 그레디언트 기반 방법에 비해 추가로 한 번의 로컬 통신 교환만 더 요구한다.
• 다양한 유틸리티 분포에서도 뛰어난 성능 유지를 보이며, 특정 유틸리티 함수에 대한 민감도가 낮음을 입증했다.