[论文解读] Topology Aware Deep Learning for Wireless Network Optimization

Shuai Zhang, Bo Yin+1 more|arXiv (Cornell University)|Dec 18, 2019

Wireless Networks and Protocols参考文献 52被引用 7

一句话总结

本文提出了一种两阶段拓扑感知深度学习框架，通过图神经网络（GNNs）联合训练图嵌入单元和链路使用率预测模块，以识别动态无线网络拓扑中的关键链路。通过学习拓扑不变表示并剪枝非关键链路，该方法在显著降低计算时间的同时，实现了接近最优的网络流量解决方案，在多样化且真实的网络场景中优于静态拓扑方法。

ABSTRACT

Data-driven machine learning approaches have recently been proposed to facilitate wireless network optimization by learning latent knowledge from historical optimization instances. However, existing methods do not well handle the topology information that directly impacts the network optimization results. Directly operating on simple representations, e.g., adjacency matrices, results in poor generalization performance as the learned results depend on specific ordering of the network elements in the training data. To address this issue, we propose a two-stage topology-aware machine learning framework (TALF), which trains a graph embedding unit and a deep feed-forward network (DFN) jointly. By propagating and summarizing the underlying graph topological information, TALF encodes the topology in the vector representation of the optimization instance, which is used by the later DFN to infer critical structures of an optimal or near-optimal solution. The proposed approach is evaluated on a canonical wireless network flow problem with diverse network typologies and flow deployments. In-depth study on trade-off between efficiency and effectiveness of the inference results is also conducted, and we show that our approach is better at differentiate links by saving up to 60% computation time at over 90% solution quality.

研究动机与目标

• 为解决将数据驱动的无线网络优化扩展到动态拓扑的挑战，现有方法因缺乏标准图表示而失效。
• 开发一种机器学习框架，从历史优化实例中学习，以预测在不同网络结构下的链路使用概率。
• 通过使用拓扑感知预测剪枝非关键链路，降低NP难无线网络流量优化的计算复杂度。
• 通过新颖的图嵌入和联合训练技术，确保在动态拓扑中学习效率和鲁棒性。

提出的方法

• 该框架采用两阶段架构：首先，图神经网络（GNN）学习网络图的拓扑感知嵌入，捕捉与节点索引无关的结构依赖关系。
• GNN将网络作为具有节点和边的图进行处理，利用消息传递机制生成反映拓扑上下文的节点级嵌入。
• 链路使用率预测模块与GNN联合训练，以估计每条链路在最优调度解中被使用的可能性。
• 模型通过监督学习在由传统优化算法求解的历史问题实例上进行训练，使用真实标签作为链路使用情况。
• 该框架通过适应新拓扑的预测实现动态重新优化，而无需从头开始训练。
• 开发了一种新型的索引无关拓扑表示，以确保模型在拓扑变化中具备泛化能力，并避免排列敏感性。

实验结果

研究问题

• RQ1 当网络拓扑动态变化时，深度学习模型如何有效从历史无线网络优化实例中学习？
• RQ2 在机器学习模型中，最有效的动态网络拓扑表示方式是什么，以保留结构语义？
• RQ3 拓扑感知深度学习模型能否以足够高的准确度预测关键链路，从而实现有效剪枝并降低优化复杂度？
• RQ4 在动态拓扑设置下，模型性能如何随训练样本数量而变化？
• RQ5 所提出方法在无线网络流量优化中，能在多大程度上减少计算时间，同时保持接近最优的解质量？

主要发现

• 所提出的拓扑感知深度学习框架在多样化且动态的网络拓扑中，实现了接近最优的无线网络流量优化解质量。
• 通过剪枝非关键链路，该模型显著降低了计算时间，且在更高规模的训练样本下性能趋于饱和。
• 性能（以近似比与时间减少的乘积衡量）随训练数据增多而提升，但最终趋于平台化或出现振荡，表明模型容量存在极限。
• 图嵌入与链路预测模块的联合训练使模型在拓扑变化中具备鲁棒泛化能力，优于静态拓扑基线。
• 索引无关的图表示确保了在不同节点标记下性能一致，提升了模型泛化能力和可扩展性。