[论文解读] 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 8

一句话总结

本文提出了一种神经算法推理（NAR）方法，通过将精确满足放松为可学习的近似目标，以加速并扩展计算机网络配置合成。该方法使用基于图的神经网络，在模拟生成的（规范，配置）配对数据上进行训练，能够以高达490倍于SMT方法的速度生成高实用性配置，在平均情况下满足超过93%的需求。

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.

研究动机与目标

• 解决自动化网络配置合成中的可扩展性瓶颈，该瓶颈限制了大规模网络中的实际部署。
• 克服如SMT求解器等精确合成方法的计算不可行性，这些方法在大规模网络中变得不可行。
• 开发一种协议无关的、端到端的基于学习的框架，可在不同路由协议间泛化，并避免硬编码规则。
• 实现在真实网络规模下接近交互式的配置合成响应时间。
• 通过接受近似解来提供一种灵活且高实用性的精确合成替代方案，以满足大多数需求。

提出的方法

• 将精确配置合成问题放松为适合学习的近似目标，以换取可扩展性和速度，而牺牲严格正确性。
• 使用具有强归纳偏差的基于图的神经架构建模网络配置和规范，以支持迭代式、类似Bellman-Ford的算法推理。
• 在通过模拟BGP和OSPF等路由协议生成的（规范，配置）配对数据集上训练神经合成器。
• 使用可微分的图神经网络学习从规范到配置的逆映射，支持端到端训练。
• 在推理阶段从预测的配置分布中采样，生成多个候选配置，并选择高实用性配置。
• 设计一种通用的拓扑和配置嵌入方案，以确保协议无关性，并支持跨协议推理。

实验结果

研究问题

• RQ1 基于学习的方法是否能在保持高实用性的前提下，显著快于基于SMT的精确方法实现网络配置合成？
• RQ2 在不使用硬编码规则的情况下，神经模型在不同网络拓扑和路由协议之间泛化的程度如何？
• RQ3 所学习的合成器性能如何随网络规模和规范复杂度的增加而扩展？
• RQ4 规范分布偏移对训练模型鲁棒性的影响如何？
• RQ5 从模型输出分布中采样多个配置是否能提高整体需求满足率？

主要发现

• 所提出的基于NAR的合成器相比最先进的基于SMT的工具NetComplete，速度最高提升490倍，即使在大规模网络中，合成时间也低于90秒。
• 平均而言，该模型满足了超过93%的给定需求，且在评估数据集中92%的配置实现了超过90%的需求满足率。
• 该模型对规范分布偏移表现出鲁棒性，在较小规范（SmallSpec数据集）上的评估性能与训练分布相比保持相当。
• 每条规范采样五个配置时，一致性与完全匹配率略高于采样四个配置，尽管差异较小，表明模型具有稳定性。
• 合成时间与采样数量呈线性关系，即使使用五个样本，与NetComplete相比的速度提升在大规模网络（如16个需求）中依然显著（例如，提升57.3倍）。
• 该方法支持协议无关的配置合成，并可在无需协议特定硬编码规则的情况下实现跨协议推理。