[论文解读] Applying Graph-based Deep Learning To Realistic Network Scenarios.

Miquel Ferriol-Galmés, José Suárez‐Varela+2 more|arXiv (Cornell University)|Oct 13, 2020

Advanced Graph Neural Networks参考文献 22被引用 7

一句话总结

该论文提出了一种基于图的深度学习模型，可在复杂且真实的网络场景中精确估计每条路径的平均延迟。通过利用图神经网络编码拓扑和流量信息，该模型在未见过的拓扑、路由配置、队列调度策略和流量矩阵之间具有出色的泛化能力。

ABSTRACT

Recent advances in Machine Learning (ML) have shown a great potential to build data-driven solutions for a plethora of network-related problems. In this context, building fast and accurate network models is essential to achieve functional optimization tools for networking. However, state-of-the-art ML-based techniques for network modelling are not able to provide accurate estimates of important performance metrics such as delay or jitter in realistic network scenarios with sophisticated queue scheduling configurations. This paper presents a new Graph-based deep learning model able to estimate accurately the per-path mean delay in networks. The proposed model can generalize successfully over topologies, routing configurations, queue scheduling policies and traffic matrices unseen during the training phase.

研究动机与目标

• 解决现有基于机器学习的网络模型在复杂网络环境中准确估计延迟和抖动等关键性能指标的局限性。
• 开发一种深度学习方法，使其在不同网络拓扑、路由配置和队列调度策略之间具备泛化能力。
• 实现在无需为每个新网络配置重新训练的情况下，实现准确、数据驱动的延迟估计。
• 通过提供可靠、实时的性能预测，提升网络功能优化。

提出的方法

• 该模型使用图神经网络（GNN）将网络拓扑、流量矩阵和队列调度策略编码为节点和边的特征。
• 它将网络视为一个图，其中节点代表路由器/交换机，边代表通信链路，并关联有流量和调度参数。
• GNN 通过节点间的消息聚合，学习捕捉端到端路径特性的上下文表示。
• 最终的预测头基于学习到的图嵌入回归每条路径的平均延迟。
• 该模型通过网络仿真中获得的带标签延迟测量结果进行端到端训练。
• 通过学习在不同设置下网络行为的不变表示，实现对未见配置的泛化。

实验结果

研究问题

• RQ1 基于图的深度学习模型能否在具有复杂队列调度的现实网络场景中准确预测每条路径的平均延迟？
• RQ2 该模型在未见过的网络拓扑和路由配置上的泛化能力如何？
• RQ3 该模型在不重新训练的情况下，对流量矩阵和队列调度策略变化的处理能力有多大？
• RQ4 与现有基于机器学习的方法相比，该模型在预测准确性和泛化能力方面是否表现更优？
• RQ5 将拓扑和调度信息整合到图表示中会产生何种影响？

主要发现

• 所提出的模型在多样化且复杂的网络配置中均实现了高精度的每路径平均延迟估计。
• 它在无需微调的情况下，有效泛化到未见过的拓扑、路由设置和队列调度策略。
• 该模型在不同流量矩阵下保持了强劲的性能，表明其对输入分布变化具有鲁棒性。
• 基于图的表示方法相比非图方法，能更好地捕捉端到端路径动态。
• 该模型在准确性和泛化能力方面均优于基线机器学习技术。
• 结果表明，使用图神经网络在类似生产环境的场景中实现可扩展、高精度的网络性能建模是可行的。