[論文レビュー] RouteNet-Fermi: Network Modeling with Graph Neural Networks

Miquel Ferriol-Galmés, Jordi Paillissé+7 more|arXiv (Cornell University)|Dec 22, 2022

Advanced Graph Neural Networks被引用数 11

ひとこと要約

RouteNet-Fermi は、多様なトポロジーとトラフィック状態において遅延、ジタ、パケット損失といったネットワーク性能指標を正確に予測できるカスタムのグラフニューラルネットワーク（GNN）モデルです。平均相対誤差 6.24% の水準で高価なパケットレベルシミュレータと同等の精度を達成しながら、ミリ秒単位の高速推論を実現しており、学習データよりも最大30倍大きなネットワークに対しても対応可能です。

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.

研究の動機と目的

• マーカフィアン（ポisson）トラフィックを仮定する伝統的なキューイング理論モデルの限界を解決すること。これらは現実のトラフィックの複雑さを捉えられていない。
• パケットレベルシミュレータの高い計算コストを克服すること。これらはオンライン最適化や大規模ネットワークには現実的ではない。
• 学習データとは異なるネットワーク構成、例えば任意のルーティング、キューイングスケジューリング、非マーカフィアントラフィックを含む、多様なネットワーク環境に一般化可能なデータ駆動型でスケーラブルなネットワークモデルを開発すること。
• GNNと実世界のトラフィックデータを組み合わせることで、ネットワークデジタルツインやオンラインネットワーク最適化に向けた正確で高速な性能予測を可能にすること。
• 合成データ、テストベッド、実世界のトラフィックトレースを用いてモデルの堅牢性と実用的応用可能性を検証すること。

提案手法

• ネットワークトポロジーをグラフとしてモデル化するカスタムGNNアーキテクチャ、RouteNet-Fermiを設計。ノードはルーター／スイッチを表し、エッジは設定可能なキューイングおよびルーティングパラメータを持つリンクを表す。
• 離散イベントネットワークシミュレータを用いて生成された大規模な合成データセット上で、エンドツーエンドにモデルを学習。300ノードのネットワークをカバーし、混合トラフィックプロファイルと複雑なスケジューリングポリシーを含む。
• 各フローの集約性能指標（遅延、ジタ、パケット損失）をターゲットとして使用。これにより、パケット単位のシミュレーションなしに効率的かつスケーラブルな予測が可能になる。
• GNNのメッセージパッシング機構を活用し、トラフィック負荷、トポロジー、キュー動作の間の非線形相互作用をネットワーク経路全体にわたって情報伝搬させることで捉える。
• 平均絶対誤差パcent（MAPE）、平均二乗誤差（MSE）、決定係数（R²）を用いてモデルを最適化。分布比較にはワサーライン距離による正規化を適用。
• ネットワーク物理学由来の構造的インダクティブバイアス（例：フロー保存則、経路ベースの集約）を統合し、学習データを越えた一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのモデルは、現実的で非マーカフィアンなトラフィック条件下で、古典的キューイング理論モデルを上回る性能予測を可能にするか？
• RQ2 GNNモデルは、学習時に見ていたネットワークトポロジーと比べて最大30倍も大きなトポロジーにどれほど一般化できるか？
• RQ3 RouteNet-Fermi の推論速度と精度は、多様なネットワーク構成において、計算コストの高いパケットレベルシミュレータと比べてどの程度か？
• RQ4 再トレーニングなしで、実世界のネットワークトレースや物理的テストベッド測定値に対しても、RouteNet-Fermi は性能指標を正確に予測できるか？
• RQ5 混合トラフィックプロファイル、任意のルーティング、非FIFOキューイングスケジューリングといった複雑な構成に対しても、モデルは高い精度を維持できるか？

主な発見

• RouteNet-Fermi は、学習データに含まれるネットワークの10倍大きいトポロジーを含む1,000件のテストサンプルにおいて、遅延予測で平均相対誤差6.24%を達成した。
• 特に複雑で非マーカフィアンなトラフィック条件下では、キューイング理論の仮定が崩れる状況においても、最先端のキューイング理論モデルを上回る性能を示した。
• 100ノードのネットワークでは推論時間がミリ秒オーダーであり、オンライン最適化やリアルタイムのデジタルツイン応用に適している。
• 未知のトポロジーや構成、特にFatTree128（128ノード）に対しても良好な一般化性能を示し、平均RTTの正規化ワサーライン距離が0.0060、MAPEが0.67%であった。
• パケットレベルシミュレータと同等の精度を達成しながら、ミリ秒オーダーの推論時間で、パケット単位シミュレーションの数分～数時間に比べて桁違いに高速である。
• 物理的テストベッドおよび実世界のトラフィックトレースを用いた検証により、モデルの堅牢性と実用的妥当性が確認された。