[论文解读] RouteNet-Fermi: Network Modeling with Graph Neural Networks

Miquel Ferriol-Galmés, Jordi Paillissé+7 more|arXiv (Cornell University)|Dec 22, 2022

Advanced Graph Neural Networks被引用 11

一句话总结

RouteNet-Fermi 是一种定制的图神经网络（GNN）模型，能够准确预测在多种拓扑结构和流量条件下的网络性能指标——延迟、抖动和丢包率。其性能达到当前最先进水平，与昂贵的分组级仿真器相比，平均相对误差仅为 6.24%，同时实现毫秒级的快速推理，即使在训练数据规模的 30 倍大的网络中也表现优异。

ABSTRACT

Network models are an essential block of modern networks. For example, they are widely used in network planning and optimization. However, as networks increase in scale and complexity, some models present limitations, such as the assumption of Markovian traffic in queuing theory models, or the high computational cost of network simulators. Recent advances in machine learning, such as Graph Neural Networks (GNN), are enabling a new generation of network models that are data-driven and can learn complex non-linear behaviors. In this paper, we present RouteNet-Fermi, a custom GNN model that shares the same goals as Queuing Theory, while being considerably more accurate in the presence of realistic traffic models. The proposed model predicts accurately the delay, jitter, and packet loss of a network. We have tested RouteNet-Fermi in networks of increasing size (up to 300 nodes), including samples with mixed traffic profiles -- e.g., with complex non-Markovian models -- and arbitrary routing and queue scheduling configurations. Our experimental results show that RouteNet-Fermi achieves similar accuracy as computationally-expensive packet-level simulators and scales accurately to larger networks. Our model produces delay estimates with a mean relative error of 6.24% when applied to a test dataset of 1,000 samples, including network topologies one order of magnitude larger than those seen during training. Finally, we have also evaluated RouteNet-Fermi with measurements from a physical testbed and packet traces from a real-life network.

研究动机与目标

• 解决传统排队论模型的局限性，后者假设流量为马氏过程（泊松分布），无法捕捉真实世界流量的复杂性。
• 克服分组级仿真器的高计算成本，后者在在线优化和大规模网络中不切实际。
• 开发一种数据驱动、可扩展的网络模型，能够泛化于各种网络配置，包括任意路由、队列调度策略以及非马氏流量。
• 通过结合 GNN 与真实世界流量数据，实现网络数字孪生和在线网络优化所需的准确、快速性能预测。
• 在合成数据、测试床和真实世界流量轨迹上验证模型，确保其鲁棒性和实际适用性。

提出的方法

• 设计一种定制的 GNN 架构 RouteNet-Fermi，将网络拓扑建模为图结构，其中节点代表路由器/交换机，边代表具有可配置队列和路由参数的链路。
• 在使用离散事件网络仿真器生成的大规模合成数据集上端到端训练模型，覆盖包含混合流量配置和复杂调度策略的 300 节点网络。
• 以每流聚合的性能指标（延迟、抖动、丢包率）作为目标，实现无需逐包仿真即可高效且可扩展地预测性能。
• 利用 GNN 中的消息传递机制在路径上传播信息，捕捉流量负载、拓扑结构与队列行为之间的非线性相互作用。
• 采用平均绝对百分比误差（MAPE）、均方误差（MSE）和决定系数（R²）进行模型优化，并通过 Wasserstein 距离对分布进行归一化比较。
• 整合来自网络物理特性的结构归纳偏置（如流量守恒、基于路径的聚合），以提升模型在训练数据之外的泛化能力。

实验结果

研究问题

• RQ1 在真实、非马氏流量条件下，基于 GNN 的模型能否在预测网络性能方面超越经典排队论模型？
• RQ2 GNN 模型在泛化到远大于训练阶段所见规模的网络拓扑方面，其能力达到何种程度——特别是可扩展至 30 倍大？
• RQ3 在多种网络配置下，RouteNet-Fermi 的推理速度与准确性与计算成本高昂的分组级仿真器相比如何？
• RQ4 RouteNet-Fermi 是否能在无需微调的情况下，准确预测真实世界网络轨迹和物理测试床测量结果中的性能指标？
• RQ5 当处理复杂配置（如混合流量配置、任意路由和非 FIFO 队列调度）时，该模型是否仍能保持高精度？

主要发现

• 在 1,000 个测试样本中，RouteNet-Fermi 在延迟预测上的平均相对误差为 6.24%，包括拓扑规模比训练集大一个数量级的情况。
• 该模型在复杂、非马氏流量场景下优于当前最先进的排队论模型，尤其在排队论假设失效时表现更优。
• 对于 100 节点网络，推理时间在毫秒级别，适用于在线优化和实时数字孪生应用。
• 模型在未见过的拓扑和配置上泛化良好，例如 FatTree128（128 个节点），其归一化 Wasserstein 距离为 0.0060，平均 RTT 的 MAPE 为 0.67%。
• RouteNet-Fermi 在精度上可与分组级仿真器媲美，但推理速度却快几个数量级，推理时间在毫秒级，而分组级仿真器则需数分钟至数小时。
• 在物理测试床和真实世界流量轨迹上的验证结果证实了该模型的鲁棒性与实际可行性，超越了合成基准测试的局限。