[논문 리뷰] RouteNet-Fermi: Network Modeling with Graph Neural Networks

Miquel Ferriol-Galmés, Jordi Paillissé외 7명|arXiv (Cornell University)|2022. 12. 22.

Advanced Graph Neural Networks인용 수 11

한 줄 요약

RouteNet-Fermi는 다양한 토폴로지와 트래픽 조건에서 지연, 제터, 패킷 손실과 같은 네트워크 성능 메트릭을 정확하게 예측할 수 있는 맞춤형 그래프 신경망(GNN) 모델이다. 이 모델은 높은 정확도를 달성하여 비용이 많이 드는 패킷 수준 시뮬레이터 수준의 성능(평균 상대 오차 6.24%)을 보이며, 심지어 학습 데이터보다 최대 30배 큰 네트워크에 대해서도 빠른 추론(밀리초 수준)을 가능하게 한다.

ABSTRACT

Network models are an essential block of modern networks. For example, they are widely used in network planning and optimization. However, as networks increase in scale and complexity, some models present limitations, such as the assumption of Markovian traffic in queuing theory models, or the high computational cost of network simulators. Recent advances in machine learning, such as Graph Neural Networks (GNN), are enabling a new generation of network models that are data-driven and can learn complex non-linear behaviors. In this paper, we present RouteNet-Fermi, a custom GNN model that shares the same goals as Queuing Theory, while being considerably more accurate in the presence of realistic traffic models. The proposed model predicts accurately the delay, jitter, and packet loss of a network. We have tested RouteNet-Fermi in networks of increasing size (up to 300 nodes), including samples with mixed traffic profiles -- e.g., with complex non-Markovian models -- and arbitrary routing and queue scheduling configurations. Our experimental results show that RouteNet-Fermi achieves similar accuracy as computationally-expensive packet-level simulators and scales accurately to larger networks. Our model produces delay estimates with a mean relative error of 6.24% when applied to a test dataset of 1,000 samples, including network topologies one order of magnitude larger than those seen during training. Finally, we have also evaluated RouteNet-Fermi with measurements from a physical testbed and packet traces from a real-life network.

연구 동기 및 목표

• 마르코프성(Poisson) 트래픽을 가정하는 전통적인 큐잉 이론 모델의 한계를 해결하기 위해, 현실 세계 트래픽의 복잡성을 반영하지 못하는 문제를 해결한다.
• 패킷 수준 시뮬레이터의 높은 계산 비용으로 인해 온라인 최적화 및 대규모 네트워크에 비실용적인 문제를 해결한다.
• 학습 데이터 외의 다양한 네트워크 구성(예: 임의의 라우팅, 큐 스케줄링, 비마르코프성 트래픽 포함)에 일반화 가능한 데이터 기반의 확장성 있는 네트워크 모델을 개발한다.
• GNN과 실제 트래픽 데이터를 조합하여 네트워크 디지털 트윈 및 온라인 네트워크 최적화를 위한 정확하고 빠른 성능 예측을 가능하게 한다.
• 합성, 실험실 테스트베드, 실제 트래픽 트레이스를 기반으로 모델을 검증하여 강건성과 실용적 적용 가능성을 확보한다.

제안 방법

• 네트워크 토폴로지를 그래프로 모델링하기 위해 라우터/스위치를 노드로, 큐잉 및 라우팅 파라미터를 설정 가능한 링크로 간주하는 맞춤형 GNN 아키텍처인 RouteNet-Fermi를 설계한다.
• 이산 이벤트 네트워크 시뮬레이터를 사용해 생성한 대규모 합성 데이터셋을 기반으로 엔드 투 엔드로 모델을 학습하며, 혼합 트래픽 프로파일과 복잡한 스케줄링 정책을 포함한 300노드 네트워크를 커버한다.
• 각 흐름의 집계된 성능 메트릭(지연, 제터, 패킷 손실)을 타겟으로 설정하여, 패킷 단위 시뮬레이션 없이도 효율적이고 확장 가능한 예측을 가능하게 한다.
• GNN의 메시지 전달 메커니즘을 활용해 네트워크 경로를 따라 정보를 전파함으로써, 트래픽 부하, 토폴로지, 큐 동작 간의 비선형 상호작용을 포착한다.
• Wasserstein 거리 기반 정규화를 통한 분포 비교를 고려해, 평균 절대 백분율 오차(MAPE), 평균 제곱 오차(MSE), R² 메트릭을 사용해 모델을 최적화한다.
• 네트워크 물리학의 구조적 인사이트(예: 흐름 보존, 경로 기반 집계)를 아키텍처에 통합하여 학습 데이터를 초월한 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 비마르코프성 트래픽 조건에서 실제 트래픽을 반영할 수 있는 GNN 기반 모델이 기존 큐잉 이론 모델보다 성능 예측에서 뛰어나게 되는가?
• RQ2 학습 중에 본 바와는 다를 바 있는 네트워크 토폴로지, 특히 학습 데이터보다 최대 30배 큰 토폴로지에 대해 GNN 모델이 얼마나 잘 일반화되는가?
• RQ3 다양한 네트워크 구성에서 RouteNet-Fermi의 추론 속도와 정확도가 계산 비용이 높은 패킷 수준 시뮬레이터와 비교해 어떻게 되는가?
• RQ4 재학습 없이도 RouteNet-Fermi가 실제 트래픽 트레이스 및 물리적 테스트베드 측정치에서 성능 메트릭을 정확하게 예측할 수 있는가?
• RQ5 혼합 트래픽 프로파일, 임의의 라우팅, 비-FIFO 큐 스케줄링과 같은 복잡한 구성 환경에서도 모델이 높은 정확도를 유지하는가?

주요 결과

• 1,000개의 테스트 샘플에서 RouteNet-Fermi는 학습 데이터 세트보다 한 단계 큰 토폴로지 포함 지연 예측에 대해 평균 상대 오차 6.24%를 기록한다.
• 특히 복잡하고 비마르코프성 트래픽 조건에서 큐잉 이론의 가정이 무너지는 상황에서, 최신 큐잉 이론 모델보다 뛰어난 성능을 보인다.
• 100노드 네트워크 기준 추론 시간은 밀리초 수준이며, 온라인 최적화 및 실시간 디지털 트윈 응용에 적합하다.
• 학습 데이터 외의 새로운 토폴로지 및 구성에 대해 잘 일반화되며, FatTree128(128노드)에서도 정규화된 Wasserstein 거리 0.0060, 평균 RTT에 대해 MAPE 0.67%를 기록한다.
• 패킷 수준 시뮬레이터와 유사한 정확도를 확보하면서도, 추론 시간이 밀리초 수준으로 패킷 기반 시뮬레이터의 수분~수시간 대비 수개의 주기로 훨씬 빠르게 작동한다.
• 물리적 테스트베드 및 실제 트래픽 트레이스를 통한 검증을 통해, 합성 벤치마크를 초월한 모델의 강건성과 실용적 타당성이 확인되었다.