論文の概要: Open World Learning Graph Convolution for Latency Estimation in Routing Networks

• arxiv url: http://arxiv.org/abs/2207.14643v2
• Date: Fri, 26 Apr 2024 15:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 18:47:13.493966
• Title: Open World Learning Graph Convolution for Latency Estimation in Routing Networks
• Title（参考訳）: ルーティングネットワークにおける遅延推定のためのオープンワールドラーニンググラフ畳み込み
• Authors: Yifei Jin, Marios Daoutis, Sarunas Girdzijauskas, Aristides Gionis,
• Abstract要約: グラフニューラルネットワークを用いてネットワークルーティングをモデル化する手法を提案する。 我々のモデルは、異なるネットワークサイズとルーティングネットワークの構成にまたがる安定した性能を共有し、同時に、目に見えないサイズ、構成、ユーザの振る舞いに対して外挿することができる。 予測精度,計算資源,推論速度,およびオープンワールド入力への一般化能力の観点から,本モデルが従来のディープラーニングモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.228327606985257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate routing network status estimation is a key component in Software Defined Networking. However, existing deep-learning-based methods for modeling network routing are not able to extrapolate towards unseen feature distributions. Nor are they able to handle scaled and drifted network attributes in test sets that include open-world inputs. To deal with these challenges, we propose a novel approach for modeling network routing, using Graph Neural Networks. Our method can also be used for network-latency estimation. Supported by a domain-knowledge-assisted graph formulation, our model shares a stable performance across different network sizes and configurations of routing networks, while at the same time being able to extrapolate towards unseen sizes, configurations, and user behavior. We show that our model outperforms most conventional deep-learning-based models, in terms of prediction accuracy, computational resources, inference speed, as well as ability to generalize towards open-world input.
• Abstract（参考訳）: 正確なルーティングネットワークの状態推定は、Software Defined Networkingの重要なコンポーネントである。 しかし、ネットワークルーティングをモデル化する既存のディープラーニングベースの手法では、見当たらない特徴分布への外挿ができない。 オープンワールドインプットを含むテストセットでは、スケールされたネットワーク属性やドリフトされたネットワーク属性も処理できない。 これらの課題に対処するために,グラフニューラルネットワークを用いてネットワークルーティングをモデル化する新しい手法を提案する。 提案手法は,ネットワーク遅延推定にも利用できる。 ドメイン知識によるグラフの定式化によってサポートされた我々のモデルは、異なるネットワークサイズとルーティングネットワークの構成にまたがる安定したパフォーマンスを共有すると同時に、目に見えないサイズ、構成、ユーザの振る舞いへの外挿を可能にする。 予測精度,計算資源,推論速度,およびオープンワールド入力への一般化能力の観点から,本モデルが従来のディープラーニングモデルよりも優れていることを示す。

関連論文リスト

• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Building a Graph-based Deep Learning network model from captured traffic traces [4.671648049111933]
  技術ネットワークモデルの現状は離散事象シミュレーション(DES)に基づいているか依存している DESは非常に正確であり、計算コストも高く、並列化も困難であり、高性能ネットワークをシミュレートするには実用的ではない。 我々は,実際のネットワークシナリオの複雑さをより正確に捉えるために,グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-18T11:16:32Z)
• RouteNet-Fermi: Network Modeling with Graph Neural Networks [7.227467283378366]
  我々は、キューイング理論と同じ目標を共有するカスタムグラフニューラルネットワーク(GNN)モデルであるRouteNet-Fermiを紹介する。 提案モデルでは,ネットワークの遅延,ジッタ,パケット損失を正確に予測する。 実験の結果,RouteNet-Fermi はパケットレベルシミュレータと同様の精度でパケットレベルシミュレータを実現することがわかった。
  論文  参考訳（メタデータ） (2022-12-22T23:02:40Z)
• RouteNet-Erlang: A Graph Neural Network for Network Performance Evaluation [5.56275556529722]
  本稿では,コンピュータネットワークをモデル化するためのGNNアーキテクチャであるemphRouteNet-Erlangを提案する。 RouteNet-Erlangは複雑なトラフィックモデル、マルチキュースケジューリングポリシー、ルーティングポリシーをサポートし、正確な見積もりを提供する。 RouteNet-Erlangを最先端のQTモデルと比較した結果、すべてのネットワークシナリオにおいてQTよりも優れています。
  論文  参考訳（メタデータ） (2022-02-28T17:09:53Z)
• Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
  我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。 ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
  論文  参考訳（メタデータ） (2021-07-28T06:20:34Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Applying Graph-based Deep Learning To Realistic Network Scenarios [5.453745629140304]
  本稿では,ネットワーク内のパスごとの平均遅延を正確に推定できるグラフベースの新しいディープラーニングモデルを提案する。 提案モデルでは,トレーニングフェーズ中に見つからないトポロジ,ルーティング構成,キュースケジューリングポリシ,トラフィック行列をうまく一般化することができる。
  論文  参考訳（メタデータ） (2020-10-13T20:58:59Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。