[論文レビュー] Learning to Configure Computer Networks with Neural Algorithmic Reasoning

Luca Beurer-Kellner, Martin Vechev+2 more|arXiv (Cornell University)|Oct 26, 2022

Software System Performance and Reliability被引用数 8

ひとこと要約

本論文は、正確な満足度を学習可能な近似目的に緩和することで、コンピュータネットワーク構成合成の高速化とスケーラビリティを向上させるニューラルアルゴリズム的推論（NAR）アプローチを提案する。この手法は、シミュレートされた（要件仕様, 構成）ペアで訓練されたグラフベースのニューラルネットワークを用い、SMTベースの手法と比較して最大490倍高速に、平均で93％以上の要件満足度を達成する高効用の構成を生成する。

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.

研究の動機と目的

• 大規模ネットワークにおける実用的導入を制限する、自動ネットワーク構成合成におけるスケーラビリティのボトルネックを解消すること。
• SMTソルバのような正確な合成手法の計算的に困難な性質を克服し、大規模ネットワークでは非現実的になる問題を扱えるようにすること。
• プロトコルに依存しない、エンドツーエンドの学習ベースのフレームワークを構築し、ルーティングプロトコルを問わず一般化可能で、ハードコードされたルールを避けること。
• 実世界のネットワーク規模において、近似的にインタラクティブな応答時間での構成合成を可能にすること。
• 正確な解に代えて、大多数の要件を満たす近似解を受け入れることで、正確な合成の柔軟で高効用の代替手段を提供すること。

提案手法

• 正確な構成合成問題を、学習に適した近似目的に緩和し、厳密な正しさの代わりにスケーラビリティと速度を追求する。
• 反復的かつベルマン＝フォード型のアルゴリズム的推論に強く偏ったインダクティブバイアスを持つ、グラフベースのニューラルアーキテクチャを用いて、ネットワーク構成と要件をモデル化する。
• BGP や OSPF などのルーティングプロトコルをシミュレートすることで生成された（要件仕様, 構成）ペアのデータセットを用いて、ニューラルシンセサイザーを訓練する。
• 微分可能で、さらに微分可能なグラフニューラルネットワークを用い、要件から構成への逆写像を学習することで、エンドツーエンドの訓練を可能にする。
• 推論時に予測された構成分布からサンプリングし、複数の候補構成を生成し、高効用のものを選択する。
• トポロジーと構成に対して汎用的な埋め込みスキームを設計し、プロトコルに依存しない性質を保ち、プロトコル間の推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 学習ベースのアプローチは、正確なSMTベースの手法と比較して、著しく高速にネットワーク構成合成を実現できるか、かつ高い効用を維持できるか？
• RQ2 ハードコードされたルールなしに、ニューラルモデルは異なるネットワークトポロジーとルーティングプロトコルの間でどれほど一般化できるか？
• RQ3 学習されたシンセサイザーの性能は、ネットワークサイズや要件の複雑さの増加に伴い、どのようにスケーリングするか？
• RQ4 要件仕様の分布シフトが、訓練済みモデルのロバストネスに与える影響は何か？
• RQ5 モデルの出力分布から複数の構成をサンプリングすることで、全体の要件満足度が向上するか？

主な発見

• 提案されたNARベースのシンセサイザーは、最先端のSMTベースのツールNetCompleteと比較して最大490倍の高速化を達成し、大規模ネットワークですでに90秒未満の合成時間を実現している。
• 平均して、提供された要件の93％以上を満たしており、評価データセット全体で92％の構成が90％以上の要件満足度を達成している。
• モデルは要件仕様の分布シフトに対してもロバストであることが示され、トレーニング分布とは異なる小規模な仕様（SmallSpecデータセット）でも同等の性能を維持している。
• 1つの要件仕様に対して5つの構成をサンプリングすると、4つをサンプリングする場合に比べてわずかに高い一貫性と完全一致率を示したが、差は限定的であり、安定性が確認された。
• 合成時間はサンプル数に比例して線形に増加し、5つのサンプルを使用しても、大規模ネットワーク（16の要件）では57.3倍の高速化が継続的に達成されている。
• 本手法はプロトコルに依存しない構成合成をサポートし、プロトコル固有の手動でコーディングされたルールが不要な状態で、プロトコル間の推論を可能にしている。