[论文解读] Distributed Scheduling using Graph Neural Networks

Zhongyuan Zhao, Gunjan Verma+3 more|arXiv (Cornell University)|Nov 18, 2020

Cooperative Communication and Network Coding参考文献 29被引用 6

一句话总结

该论文提出了一种图卷积网络（GCN）增强的分布式贪心算法，用于无线网络中的最大权独立集（MWIS）调度。通过学习能够反映拓扑结构的节点嵌入以指导贪心选择过程，该方法在中小型网络中将标准分布式贪心调度器的次优性差距减少了一半，复杂度增加极少，并且在不同图类型间表现出强大的泛化能力。

ABSTRACT

A fundamental problem in the design of wireless networks is to efficiently schedule transmission in a distributed manner. The main challenge stems from the fact that optimal link scheduling involves solving a maximum weighted independent set (MWIS) problem, which is NP-hard. For practical link scheduling schemes, distributed greedy approaches are commonly used to approximate the solution of the MWIS problem. However, these greedy schemes mostly ignore important topological information of the wireless networks. To overcome this limitation, we propose a distributed MWIS solver based on graph convolutional networks (GCNs). In a nutshell, a trainable GCN module learns topology-aware node embeddings that are combined with the network weights before calling a greedy solver. In small- to middle-sized wireless networks with tens of links, even a shallow GCN-based MWIS scheduler can leverage the topological information of the graph to reduce in half the suboptimality gap of the distributed greedy solver with good generalizability across graphs and minimal increase in complexity.

研究动机与目标

• 为解决分布式贪心算法在无线链路调度中性能次优的问题，这些算法通常忽略关键的拓扑信息。
• 开发一种可扩展的、分布式的MWIS求解器，利用图神经网络提升调度效率。
• 在训练过程中无需精确的MWIS解，即可实现在多样化网络拓扑和效用分布下的泛化能力。
• 在显著提升近似质量的同时，保持较低的计算和通信开销，优于基线贪心方法。

提出的方法

• 使用图卷积网络（GCN）从无线网络的冲突图中学习拓扑感知的节点嵌入。
• GCN处理网络的邻接结构和链路权重，生成上下文相关的节点表示。
• 将学习到的嵌入与每条链路的效用权重结合后，输入到分布式贪心MWIS求解器中。
• GCN在模拟的冲突图上以自监督方式训练，无需精确的MWIS解。
• 最终的调度决策通过GCN嵌入权重和贪心选择规则，在完全分布式的方式下完成。
• 该方法对特定的每条链路效用函数保持无感知性，可与现有调度协议无缝集成。

实验结果

研究问题

• RQ1 可学习的、拓扑感知的组件能否提升无线调度中分布式贪心MWIS求解器的性能？
• RQ2 基于GCN的MWIS求解器在不同随机图模型（如Erdős–Rényi与Barabási–Albert）之间的泛化能力如何？
• RQ3 在近似比和泛化能力方面，GCN深度与性能之间的权衡如何？
• RQ4 所提方法是否在仅带来微小复杂度增加的前提下，显著优于标准贪心调度器？

主要发现

• GCN增强的调度器在平均近似比上分别达到最优吞吐量的95.6%（L=1）和96.1%（L=20），而基线本地贪心调度器仅为91.1%。
• 1层GCN在中小型网络中将近似差距减少了约一半。
• 更深的GCN（L=20）相比浅层GCN（L=1）表现出略优的性能和更低的方差，尽管平均近似比的提升有限。
• 基于GCN的方法在不同图模型间表现出良好的泛化能力：即使在一种图类型（如ER）上训练，测试于另一种（如BA）时性能依然强劲，表明其具备强大的迁移能力。
• 1层GCN在性能与复杂度之间实现了良好平衡，相比贪心基线仅增加一次本地通信交互。
• 该方法在不同效用分布下均保持良好性能，证明其对特定效用函数的无感知性。