論文の概要: RouteNet-Fermi: Network Modeling with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2212.12070v1
- Date: Thu, 22 Dec 2022 23:02:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 16:25:53.078822
- Title: RouteNet-Fermi: Network Modeling with Graph Neural Networks
- Title（参考訳）: RouteNet-Fermi:グラフニューラルネットワークを用いたネットワークモデリング
- Authors: Miquel Ferriol-Galm\'es, Jordi Paillisse, Jos\'e Su\'arez-Varela,
Krzysztof Rusek, Shihan Xiao, Xiang Shi, Xiangle Cheng, Pere Barlet-Ros,
Albert Cabellos-Aparicio
- Abstract要約: 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を提案する。
提案モデルでは,ネットワークの遅延,ジッタ,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。
- 参考スコア（独自算出の注目度）: 6.686077628774952
- License: http://creativecommons.org/licenses/by/4.0/
- 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 loss in networks. 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 it is able to accurately scale to large networks.
For example, the model produces delay estimates with a mean relative error of
6.24% when applied to a test dataset with 1,000 samples, including network
topologies one order of magnitude larger than those seen during training.
- Abstract（参考訳）: ネットワークモデルは現代のネットワークの重要なブロックである。
例えば、ネットワークの計画や最適化に広く使われている。
しかし、ネットワークの規模や複雑さが増加するにつれて、キューイング理論モデルにおけるマルコフトラフィックの仮定や、ネットワークシミュレータの計算コストの増大など、いくつかのモデルには限界が存在する。
グラフニューラルネットワーク(gnn)などの機械学習の最近の進歩は、データ駆動で複雑な非線形動作を学習できる新しい世代のネットワークモデルを可能にする。
本稿では、キューイング理論と同じ目標を持つカスタムGNNモデルであるRouteNet-Fermiを提案する。
提案モデルでは,ネットワークの遅延,ジッタ,損失を正確に予測する。
複雑な非マルコフモデルを含むトラフィックプロファイルの混在したサンプルや、任意のルーティングとキュースケジューリングの設定を含む、サイズ(最大300ノード)のネットワークでroutenet-fermiをテストしました。
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を実現し,大規模ネットワークに正確にスケール可能であることがわかった。
例えば、1000のサンプルを持つテストデータセットに適用すると、平均相対誤差6.24%の遅延推定が生成される。
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) - Open World Learning Graph Convolution for Latency Estimation in Routing Networks [16.228327606985257]
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。
論文 参考訳（メタデータ） (2022-07-08T19:26:40Z) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural
Network [0.0]
エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。
DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
論文 参考訳（メタデータ） (2021-02-03T04:24:34Z) - 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) - 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) - Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。
古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。
また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文 参考訳（メタデータ） (2020-02-19T11:04:49Z)
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。