論文の概要: Teal: Learning-Accelerated Optimization of Traffic Engineering
- arxiv url: http://arxiv.org/abs/2210.13763v1
- Date: Tue, 25 Oct 2022 04:46:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:50:00.167794
- Title: Teal: Learning-Accelerated Optimization of Traffic Engineering
- Title（参考訳）: ティール: 交通工学の学習促進最適化
- Authors: Zhiying Xu, Francis Y. Yan, Rachee Singh, Justin T. Chiu, Alexander M.
Rush, Minlan Yu
- Abstract要約: 設計した深層学習モデルは,WAN内TEシステムの実行時間を短縮する鍵となる。
ディープラーニングはどちらも非常に並列であり、プロダクションWANからの多くの履歴トラフィックアロケーションデータから恩恵を受けています。
ディープラーニングベースのTEシステムを設計することで、これらの課題に取り組みます。
- 参考スコア（独自算出の注目度）: 89.23404108080585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last decade, global cloud wide-area networks (WANs) have grown
10$\times$ in size due to the deployment of new network sites and datacenters,
making it challenging for commercial optimization engines to solve the network
traffic engineering (TE) problem within the temporal budget of a few minutes.
In this work, we show that carefully designed deep learning models are key to
accelerating the running time of intra-WAN TE systems for large deployments
since deep learning is both massively parallel and it benefits from the wealth
of historical traffic allocation data from production WANs. However,
off-the-shelf deep learning methods fail to perform well on the TE task since
they ignore the effects of network connectivity on flow allocations. They are
also faced with a tractability challenge posed by the large problem scale of TE
optimization. Moreover, neural networks do not have mechanisms to readily
enforce hard constraints on model outputs (e.g., link capacity constraints). We
tackle these challenges by designing a deep learning-based TE system -- Teal.
First, Teal leverages graph neural networks (GNN) to faithfully capture
connectivity and model network flows. Second, Teal devises a multi-agent
reinforcement learning (RL) algorithm to process individual demands
independently in parallel to lower the problem scale. Finally, Teal reduces
link capacity violations and improves solution quality using the alternating
direction method of multipliers (ADMM). We evaluate Teal on traffic matrices of
a global commercial cloud provider and find that Teal computes near-optimal
traffic allocations with a 59$\times$ speedup over state-of-the-art TE systems
on a WAN topology of over 1,500 nodes.
- Abstract（参考訳）: 過去10年間で、新たなネットワークサイトやデータセンタの展開により、グローバルクラウド広域ネットワーク(wans)のサイズが10ドル(約1万2000円)に拡大した。
本稿では,深層学習が大規模に並列であり,運用中のwanからの膨大なトラフィック割り当てデータの恩恵を受けているため,大規模展開におけるwan内teシステムの稼働時間を高速化するための鍵は,慎重に設計された深層学習モデルにあることを示す。
しかし,ネットワーク接続がフロー割り当てに与える影響を無視するため,既製のディープラーニング手法はTEタスクではうまく動作しない。
また、TE最適化の大規模な問題スケールによるトラクタビリティの課題に直面している。
さらに、ニューラルネットワークはモデル出力(リンク容量制限など)に容易に厳しい制約を課すメカニズムを持っていない。
ディープラーニングベースのTEシステムを設計することで、これらの課題に取り組みます。
まず、tealはgraph neural network(gnn)を活用して、接続性を忠実に捉え、ネットワークフローをモデル化する。
第2に,マルチエージェント強化学習(rl)アルゴリズムを考案し,個別の要求を並列に処理し,問題のスケールを下げる。
最後に、Tealはリンク容量違反を低減し、乗算器の交互方向法(ADMM)を用いてソリューション品質を向上させる。
我々は、グローバルな商用クラウドプロバイダのトラフィック行列上でTealを評価し、1500ノード以上のWANトポロジ上の最先端TEシステムの59$\times$スピードアップで、ほぼ最適なトラフィック割り当てを計算することを発見した。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - Pruning In Time (PIT): A Lightweight Network Architecture Optimizer for
Temporal Convolutional Networks [20.943095081056857]
時間的畳み込みネットワーク(TCN)は、時系列処理タスクのためのディープラーニングモデルを約束している。
本稿では,時間軸の重み付け問題に対処し,重みとともに拡張因子を学習する自動拡張法を提案する。
論文 参考訳（メタデータ） (2022-03-28T14:03:16Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳（メタデータ） (2021-11-25T19:59:33Z) - ENERO: Efficient Real-Time Routing Optimization [2.830334160074889]
交通工学(TE)ソリューションは、高性能なリアルタイムネットワーク運用を実現する必要がある。
現在のTE技術は手工芸品や計算コストの高い解法に依存している。
本稿では,効率的なリアルタイムTEエンジンであるEeroを提案する。
論文 参考訳（メタデータ） (2021-09-22T17:53:30Z) - ZoPE: A Fast Optimizer for ReLU Networks with Low-Dimensional Inputs [30.34898838361206]
低次元入力を持つフィードフォワードReLUネットワークの出力に対する最適化問題を解くZoPEアルゴリズムを提案する。
我々はZoPEを用いて、ACAS Xuニューラルネットワーク検証ベンチマークのプロパティ1における25倍の高速化と、一連の線形最適化問題に対する85倍の高速化を観察した。
論文 参考訳（メタデータ） (2021-06-09T18:36:41Z) - A Heuristically Assisted Deep Reinforcement Learning Approach for
Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。
提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文 参考訳（メタデータ） (2021-05-14T10:04:17Z) - Surrogate-assisted cooperative signal optimization for large-scale
traffic networks [6.223837701805064]
本研究では,サロゲート支援協調信号最適化(SCSO)手法を提案する。
ニューマン・ファスト・アルゴリズムを用いて,分散アルゴリズムを分解器,代理モデル,具体的SCSOアルゴリズムとして修正した。
その有効性と有効性を評価するため、実際の交通ネットワークに基づいて、クロスロードとTジャンクションを含む大規模交通ネットワークを生成する。
論文 参考訳（メタデータ） (2021-03-03T01:03:57Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of
Partitioned Edge Learning [73.82875010696849]
機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。
本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
論文 参考訳（メタデータ） (2020-03-10T05:52:15Z)
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。