[논문 리뷰] Learning to Configure Computer Networks with Neural Algorithmic Reasoning

Luca Beurer-Kellner, Martin Vechev외 2명|arXiv (Cornell University)|2022. 10. 26.

Software System Performance and Reliability인용 수 8

한 줄 요약

이 논문은 정확한 만족 조건을 학습 가능한 근사 목적 함수로 완화함으로써 컴퓨터 네트워크 구성 생성을 가속화하고 확장성 있게 만드는 신경 알고리즘적 추론(NAR) 기반 접근법을 제안한다. 이 방법은 BGP와 OSPF와 같은 라우팅 프로토콜을 시뮬레이션하여 생성한 (사양, 구성) 쌍으로 훈련된 그래프 기반 신경망을 사용하여 SMT 기반 방법보다 최대 490배 빠른 속도로 고유용도의 구성 생성을 가능하게 하며, 평균적으로 93% 이상의 요구사항 만족도를 달성한다.

ABSTRACT

We present a new method for scaling automatic configuration of computer networks. The key idea is to relax the computationally hard search problem of finding a configuration that satisfies a given specification into an approximate objective amenable to learning-based techniques. Based on this idea, we train a neural algorithmic model which learns to generate configurations likely to (fully or partially) satisfy a given specification under existing routing protocols. By relaxing the rigid satisfaction guarantees, our approach (i) enables greater flexibility: it is protocol-agnostic, enables cross-protocol reasoning, and does not depend on hardcoded rules; and (ii) finds configurations for much larger computer networks than previously possible. Our learned synthesizer is up to 490x faster than state-of-the-art SMT-based methods, while producing configurations which on average satisfy more than 93% of the provided requirements.

연구 동기 및 목표

• 대규모 네트워크에서의 실용적 구현을 제한하는 자동화된 네트워크 구성 생성의 확장성 한계를 해결한다.
• 대규모 네트워크에서 실행 불가능해지는 SMT 솔버와 같은 정확한 생성 방법의 계산 비가역성 문제를 해결한다.
• 하드코딩된 규칙 없이 라우팅 프로토콜 간에 일반화 가능한 프로토콜에 관계없는 종단 간 학습 기반 프레임워크를 개발한다.
• 실제 네트워크 크기에서 구성 생성에 대한 거의 인터랙티브 수준의 반응 시간을 보장한다.
• 대부분의 요구사항을 만족하는 근사 해를 수용함으로써 정확한 생성의 영역을 넘어서서도 높은 유용도를 제공하는 융통성 있는 대안을 제공한다.

제안 방법

• 정확한 구성 생성 문제를 학습에 적합한 근사 목적 함수로 완화하여 엄격한 정확성 대신 확장성과 속도를 확보한다.
• 반복적이고 벨먼-포드 스타일의 알고리즘적 추론에 강한 인덕티브 편향을 지닌 그래프 기반 신경 아키텍처를 사용해 네트워크 구성과 사양을 모델링한다.
• BGP와 OSPF와 같은 라우팅 프로토콜을 시뮬레이션하여 생성한 (사양, 구성) 쌍 데이터셋으로 신경 생성 모델을 훈련한다.
• 가능한 모든 경로를 미분 가능한 그래프 신경망을 사용해 사양에서 구성으로의 역함수 매핑을 학습함으로써 종단 간 훈련을 가능하게 한다.
• 추론 단계에서 예측된 구성 분포에서 샘플링하여 여러 후보 구성 생성 후 높은 유용도를 가진 구성 선택한다.
• 프로토콜에 관계없는 일반화된 임bedding 기법을 설계하여 프로토콜 간 추론을 지원하고 프로토콜에 종속되지 않는 구성 생성을 가능하게 한다.

실험 결과

연구 질문

• RQ1 학습 기반 접근법이 정확한 SMT 기반 방법보다 유의미하게 더 빠른 네트워크 구성 생성을 달성하면서도 높은 유용도를 유지할 수 있는가?
• RQ2 하드코딩된 규칙 없이 신경 모델이 다양한 네트워크 토폴로지와 라우팅 프로토콜 간에 얼마나 잘 일반화되는가?
• RQ3 학습된 생성 모델의 성능은 네트워크 크기와 사양 복잡도 증가에 따라 어떻게 변화하는가?
• RQ4 사양 분포의 이탈이 훈련된 모델의 강건성에 어떤 영향을 미치는가?
• RQ5 모델 출력 분포에서 여러 구성 샘플링이 전체 요구사항 만족도를 향상시키는가?

주요 결과

• 제안된 NAR 기반 생성 모델은 최신 SMT 기반 도구인 NetComplete 대비 최대 490배 빠른 속도를 기록하며, 대규모 네트워크에서도 구성 시간이 90초 이내로 유지된다.
• 모델은 평균적으로 제공된 요구사항의 93% 이상을 만족하며, 평가 데이터셋 전반에서 92%의 구성이 요구사항의 90% 이상을 충족한다.
• 모델은 사양 분포의 이탈에 대해 강건성을 보이며, 훈련 분포와 비교해 더 작은 사양(소규모 사양 데이터셋)에서 평가해도 유사한 성능을 유지한다.
• 각 사양에서 5개의 구성을 샘플링할 경우 4개를 샘플링할 때보다 약간 더 높은 일致성과 완전 일치 비율을 기록하지만, 그 차이는 미미하여 안정성을 시사한다.
• 샘플 수에 따라 구성 시간은 선형적으로 증가하며, 5개의 샘플을 사용할 경우에도 대규모 네트워크(16개 요구사항)에서 57.3배의 빠른 속도 향상이 유지된다.
• 이 방법은 프로토콜에 관계없는 구성 생성을 지원하며, 프로토콜 전용 수동 코딩된 규칙 없이도 프로토콜 간 추론이 가능하다.