論文の概要: MAGNNETO: A Graph Neural Network-based Multi-Agent system for Traffic
Engineering
- arxiv url: http://arxiv.org/abs/2303.18157v1
- Date: Fri, 31 Mar 2023 15:47:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:28:09.722444
- Title: MAGNNETO: A Graph Neural Network-based Multi-Agent system for Traffic
Engineering
- Title(参考訳): MAGNNETO: グラフニューラルネットワークを用いた交通工学用マルチエージェントシステム
- Authors: Guillermo Bern\'ardez, Jos\'e Su\'arez-Varela, Albert L\'opez, Xiang
Shi, Shihan Xiao, Xiangle Cheng, Pere Barlet-Ros, and Albert
Cabellos-Aparicio
- Abstract要約: 分散TE最適化にマルチエージェント強化学習とグラフニューラルネットワークを利用する分散MLベースのフレームワークMAGNNETOを提案する。
その分散した性質のおかげで、MAGNNETOは実行時間を大幅に削減した最先端のTEに匹敵するパフォーマンスを実現している。
- 参考スコア(独自算出の注目度): 5.913155491170352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current trends in networking propose the use of Machine Learning (ML) for a
wide variety of network optimization tasks. As such, many efforts have been
made to produce ML-based solutions for Traffic Engineering (TE), which is a
fundamental problem in ISP networks. Nowadays, state-of-the-art TE optimizers
rely on traditional optimization techniques, such as Local search, Constraint
Programming, or Linear programming. In this paper, we present MAGNNETO, a
distributed ML-based framework that leverages Multi-Agent Reinforcement
Learning and Graph Neural Networks for distributed TE optimization. MAGNNETO
deploys a set of agents across the network that learn and communicate in a
distributed fashion via message exchanges between neighboring agents.
Particularly, we apply this framework to optimize link weights in OSPF, with
the goal of minimizing network congestion. In our evaluation, we compare
MAGNNETO against several state-of-the-art TE optimizers in more than 75
topologies (up to 153 nodes and 354 links), including realistic traffic loads.
Our experimental results show that, thanks to its distributed nature, MAGNNETO
achieves comparable performance to state-of-the-art TE optimizers with
significantly lower execution times. Moreover, our ML-based solution
demonstrates a strong generalization capability to successfully operate in new
networks unseen during training.
- Abstract(参考訳): ネットワークの最近のトレンドは、さまざまなネットワーク最適化タスクに機械学習(ml)を使うことを提案する。
そのため、ISPネットワークにおける根本的な問題である交通工学(TE)のためのMLベースのソリューションを作成するために、多くの取り組みがなされている。
現在、最先端のteオプティマイザは、局所探索、制約プログラミング、線形プログラミングといった従来の最適化技術に依存している。
本稿では,分散TE最適化にマルチエージェント強化学習とグラフニューラルネットワークを利用する分散MLベースのフレームワークMAGNNETOを提案する。
MAGNNETOはネットワーク全体に一連のエージェントをデプロイし、近隣エージェント間のメッセージ交換を通じて分散形式で学習し、通信する。
特に,このフレームワークを用いてOSPFのリンク重み付けを最適化し,ネットワークの混雑を最小限に抑える。
本評価では,75以上のトポロジ(最大153ノード,354リンク)において,MAGNNETOと最先端のTEオプティマイザを比較した。
実験の結果,MAGNNETOは分散特性により,実行時間を大幅に短縮した最先端TEオプティマイザに匹敵する性能を示した。
さらに、MLベースのソリューションは、トレーニング中に見えない新しいネットワークでの運用を成功させる強力な一般化能力を示す。
関連論文リスト
- Large Language Model Adaptation for Networking [38.19277227027375]
NetLLMは、ネットワーク問題を解決するために大規模言語モデルを効率的に適応する最初のフレームワークである。
我々は、NetLLMがVPが10.1-36.6%、ABRが14.5-36.6%、CJSが6.8-41.3%、そして、優れた一般化性能を実現していることを示す。
論文 参考訳(メタデータ) (2024-02-04T04:21:34Z) - Computational Tradeoffs of Optimization-Based Bound Tightening in ReLU
Networks [4.01907644010256]
ニューラルネットワークをRectified Linear Unit(ReLU)アクティベーションで表現するMILP(Mixed-Integer Linear Programming)モデルは、ここ10年で急速に普及している。
これにより、MILP技術を用いて、テストまたはストレス・サービヘイビアを行い、トレーニングを逆向きに改善し、予測力を活かした最適化モデルに組み込むことが可能になった。
ネットワーク構造、正規化、ラウンドリングの影響に基づき、これらのモデルを実装するためのガイドラインを提供する。
論文 参考訳(メタデータ) (2023-12-27T19:32:59Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - Dynamic Neural Network for Multi-Task Learning Searching across Diverse
Network Topologies [14.574399133024594]
多様なグラフトポロジを持つ複数のタスクに対して最適化された構造を探索する新しいMTLフレームワークを提案する。
我々は、トポロジ的に多様なタスク適応構造を構築するために、読み出し/読み出し層を備えたDAGベースの制限付き中央ネットワークを設計する。
論文 参考訳(メタデータ) (2023-03-13T05:01:50Z) - Partitioning Distributed Compute Jobs with Reinforcement Learning and
Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。
これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。
スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文 参考訳(メタデータ) (2023-01-31T17:41:07Z) - Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [89.23404108080585]
本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。
問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。
他のTE加速方式と比較して、Tealは需要を6~32%増やし、197~625倍のスピードアップを達成している。
論文 参考訳(メタデータ) (2022-10-25T04:46:30Z) - Is Machine Learning Ready for Traffic Engineering Optimization? [3.960503227928945]
交通工学(TE)は、インターネットの基本的な構成要素である。
本稿では,最新の機械学習(ML)手法がTE最適化に使えるかどうかを解析する。
まず,MLの最新の進歩を生かしたTEのための新しい分散システムを提案する。
本稿では,MARL(Multi-Agent Reinforcement Learning)とGNN(Graph Neural Networks)を組み合わせて,ネットワークの混雑を最小限に抑えるアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-03T11:10:14Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳(メタデータ) (2020-03-24T09:56:13Z)
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。