[论文解读] RouteNet-Erlang: A Graph Neural Network for Network Performance Evaluation

Miquel Ferriol-Galmés, Krzysztof Rusek+5 more|arXiv (Cornell University)|Feb 28, 2022

Advanced Graph Neural Networks被引用 11

一句话总结

RouteNet-Erlang 是一种新颖的图神经网络（GNN）架构，旨在以高精度建模计算机网络性能，支持复杂的流量模型、多队列调度和路由策略。其性能优于最先进的排队论模型，在未见过的拓扑结构上具有出色的泛化能力，可扩展至训练数据规模10倍以上的网络，大规模网络上的平均绝对相对误差为10%，并可在毫秒级时间内完成推理，适用于实时应用。

ABSTRACT

Network modeling is a fundamental tool in network research, design, and operation. Arguably the most popular method for modeling is Queuing Theory (QT). Its main limitation is that it imposes strong assumptions on the packet arrival process, which typically do not hold in real networks. In the field of Deep Learning, Graph Neural Networks (GNN) have emerged as a new technique to build data-driven models that can learn complex and non-linear behavior. In this paper, we present \emph{RouteNet-Erlang}, a pioneering GNN architecture designed to model computer networks. RouteNet-Erlang supports complex traffic models, multi-queue scheduling policies, routing policies and can provide accurate estimates in networks not seen in the training phase. We benchmark RouteNet-Erlang against a state-of-the-art QT model, and our results show that it outperforms QT in all the network scenarios.

研究动机与目标

• 为解决排队论在建模具有强自相关性和重尾分布的真实网络流量时的局限性。
• 克服现有基于机器学习的网络模型在更大、未见过的拓扑结构上泛化能力差的问题。
• 开发一种数据驱动的图结构模型，以捕捉复杂的队列行为和网络动态，而无需依赖严格的马氏假设。
• 通过结合高精度与低推理延迟，实现实时网络性能估计。

提出的方法

• 该模型采用基于网络拓扑动态构建的自定义GNN架构，配备针对队列级交互优化的可学习消息传递机制。
• 通过将队列占用情况、服务速率和调度策略作为节点和边特征，引入领域特定的归纳偏置。
• 应用与尺度无关的归一化方法，以实现在不同规模拓扑间的泛化能力。
• 在具有多样化流量模式（包括泊松分布、自相似流量和重尾流量）的合成网络拓扑（25–50个节点）上进行训练。
• 利用图同构不变性，实现对未见拓扑（包括最多300个节点的拓扑）的泛化。
• 通过在GPU上使用高效的线性代数运算加速推理，实现毫秒级预测。

实验结果

研究问题

• RQ1 基于GNN的模型是否能在真实、非马氏流量条件下，优于传统排队论模型进行网络性能估计？
• RQ2 GNN在远大于训练阶段所见规模的网络拓扑上，泛化能力如何？
• RQ3 GNN模型是否能准确捕捉复杂的队列行为（如多队列调度和可变流量模式），而无需强分布假设？
• RQ4 基于GNN的网络模型的推理速度如何？是否能够支持实时网络管理应用？

主要发现

• 在50–99个节点的拓扑上，RouteNet-Erlang的平均绝对相对误差为4.5%，接近训练分布。
• 对于更大规模的拓扑（最多300个节点），平均绝对相对误差稳定在约10%，优于最先进的排队论模型（在泊松流量下报告12.6%的误差）。
• 该模型能有效泛化至训练数据规模10倍以上的拓扑，展现出对规模变化的鲁棒性。
• 推理时间从小型网络的几毫秒到大型拓扑的几百毫秒不等，支持实时部署。
• 该模型在包括自相似和重尾流量在内的多种流量模型下均保持高精度，而传统排队论对这些流量建模效果较差。
• 基于GNN的方法可在不假设马氏到达过程的前提下实现准确的性能估计，克服了经典建模技术的关键局限。