論文の概要: Traffic Engineering in Large-scale Networks with Generalizable Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2503.24203v1
• Date: Mon, 31 Mar 2025 15:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:03.712046
• Title: Traffic Engineering in Large-scale Networks with Generalizable Graph Neural Networks
• Title（参考訳）: 一般化可能なグラフニューラルネットワークを用いた大規模ネットワークにおける交通工学
• Authors: Fangtong Zhou, Xiaorui Liu, Ruozhou Yu, Guoliang Xue,
• Abstract要約: TELGENは、大規模なネットワークにおいてTE問題を効率的に解くことを学習する新しいTEアルゴリズムである。 最大5000ノード、106リンクのランダムおよび実世界のネットワーク上でTELGENを訓練し評価した。
• 参考スコア（独自算出の注目度）: 19.36374721098885
• License:
• Abstract: Traffic engineering (TE) in large-scale computer networks has become a fundamental yet challenging problem, owing to the swift growth of global-scale cloud wide-area networks or backbone low-Earth-orbit satellite constellations. To address the scalability issue of traditional TE algorithms, learning-based approaches have been proposed, showing potential of significant efficiency improvement over state-of-the-art methods. Nevertheless, the intrinsic limitations of existing learning-based methods hinder their practical application: they are not generalizable across diverse topologies and network conditions, incur excessive training overhead, and do not respect link capacities by default. This paper proposes TELGEN, a novel TE algorithm that learns to solve TE problems efficiently in large-scale networks, while achieving superior generalizability across diverse network conditions. TELGEN is based on the novel idea of transforming the problem of "predicting the optimal TE solution" into "predicting the optimal TE algorithm", which enables TELGEN to learn and efficiently approximate the end-to-end solving process of classical optimal TE algorithms. The learned algorithm is agnostic to the exact network topology or traffic patterns, and can efficiently solve TE problems given arbitrary inputs and generalize well to unseen topologies and demands. We trained and evaluated TELGEN on random and real-world networks with up to 5000 nodes and 106 links. TELGEN achieved less than 3% optimality gap while ensuring feasibility in all cases, even when the test network had up to 20x more nodes than the largest in training. It also saved up to 84% solving time than classical optimal solver, and could reduce training time per epoch and solving time by 2-4 orders of magnitude than latest learning algorithms on the largest networks.
• Abstract（参考訳）: 大規模コンピュータネットワークにおける交通工学(TE)は、グローバルクラウド広域ネットワークやバックボーン低地球軌道衛星コンステレーションの急速な成長により、根本的な課題となっている。 従来のTEアルゴリズムのスケーラビリティ問題に対処するために,学習に基づくアプローチが提案されている。 それらは様々なトポロジやネットワーク条件にまたがる一般化はできず、過度のトレーニングオーバーヘッドを発生させ、デフォルトでリンク容量を尊重しない。 本稿では,大規模ネットワークにおいてTE問題の解法を効率よく学習する新しいTEアルゴリズムであるTELGENを提案する。 TELGENは、"最適なTEソリューションを予測する"という問題を"最適なTEアルゴリズムを予測する"という新しいアイデアに基づいており、TELGENは古典的な最適TEアルゴリズムのエンドツーエンドの解法を学習し、効率的に近似することができる。 学習アルゴリズムは、正確なネットワークトポロジやトラフィックパターンに依存せず、任意の入力が与えられた場合のTE問題を効率的に解き、目に見えないトポロジや要求に対してうまく一般化することができる。 最大5000ノード、106リンクのランダムおよび実世界のネットワーク上でTELGENを訓練し評価した。 TELGENは、トレーニングにおいて最大20倍のノードを持つテストネットワークであっても、すべてのケースにおいて実現可能性を確保しながら、3%以下の最適性ギャップを達成した。 また、従来の最適解法よりも最大84%の時間節約が可能で、最大ネットワーク上の最新の学習アルゴリズムよりも、エポックあたりのトレーニング時間と解決時間を2-4桁削減できる。

関連論文リスト

• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Approaching Globally Optimal Energy Efficiency in Interference Networks via Machine Learning [22.926877147296594]
  本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。 その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
  論文  参考訳（メタデータ） (2022-11-25T08:36:34Z)
• Optimal Complexity in Non-Convex Decentralized Learning over Time-Varying Networks [8.860889476382594]
  時間変化ネットワークによる分散最適化は、機械学習の新たなパラダイムである。 大規模な深層トレーニングでは通信オーバーヘッドが大幅に削減され、特にノードの移動時の無線シナリオでは堅牢になる。
  論文  参考訳（メタデータ） (2022-11-01T15:37:54Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  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)
• Graph Neural Networks for Wireless Communications: From Theory to Practice [10.61745503150249]
  グラフニューラルネットワーク(GNN)は、無線通信問題におけるグラフトポロジ(グラフトポロジ)というドメイン知識を効果的に活用することができる。 理論的保証のために、GNNは従来のニューラルネットワークに比べてトレーニングサンプルがはるかに少ない無線ネットワークにおいて、ほぼ最適性能を達成できることを示す。 設計ガイドラインでは,無線ネットワークにおける一般的な設計問題に適用可能な統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-21T08:39:44Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• A Machine Learning Approach for Task and Resource Allocation in Mobile Edge Computing Based Networks [108.57859531628264]
  無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。 提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
  論文  参考訳（メタデータ） (2020-07-20T13:46:42Z)
• Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis [31.372548374969387]
  本稿では,大規模無線資源管理問題にグラフニューラルネットワーク(GNN)を適用することを提案する。 提案手法はスケーラビリティが高く,1つのGPU上で1,000ドルのトランシーバペアを6ミリ秒以内で行う干渉チャネルにおけるビームフォーミング問題を解くことができる。
  論文  参考訳（メタデータ） (2020-07-15T11:43:32Z)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。