論文の概要: Towards Near-Real-Time Telemetry-Aware Routing with Neural Routing Algorithms

• arxiv url: http://arxiv.org/abs/2604.02927v1
• Date: Fri, 03 Apr 2026 09:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.43916
• Title: Towards Near-Real-Time Telemetry-Aware Routing with Neural Routing Algorithms
• Title（参考訳）: ニューラルルーティングアルゴリズムを用いたニアリアルタイムテレメトリ・アウェアルーティングに向けて
• Authors: Andreas Boltres, Niklas Freymuth, Benjamin Schichtholz, Michael König, Gerhard Neumann,
• Abstract要約: LOGGIAは、属性付きトポロジ・アンド・テレメトリグラフから対数空間リンク重みを予測するスケーラブルなグラフニューラルネットワークアルゴリズムである。 LOGGIAは最短パスベースラインを一貫して上回り、一方、神経ベースラインは現実的な遅延が強制されると失敗することを示す。 我々の実験は、LOGGIAのようなニューラルルーティングアルゴリズムが、完全にローカルにデプロイされた場合、すなわちネットワーク状態を観察し、各ルータでのアクションを個別に推測するときに、最高の性能を示すことを示唆している。
• 参考スコア（独自算出の注目度）: 18.81110632395881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Routing algorithms are crucial for efficient computer network operations, and in many settings they must be able to react to traffic bursts within milliseconds. Live telemetry data can provide informative signals to routing algorithms, and recent work has trained neural networks to exploit such signals for traffic-aware routing. Yet, aggregating network-wide information is subject to communication delays, and existing neural approaches either assume unrealistic delay-free global states, or restrict routers to purely local telemetry. This leaves their deployability in real-world environments unclear. We cast telemetry-aware routing as a delay-aware closed-loop control problem and introduce a framework that trains and evaluates neural routing algorithms, while explicitly modeling communication and inference delays. On top of this framework, we propose LOGGIA, a scalable graph neural routing algorithm that predicts log-space link weights from attributed topology-and-telemetry graphs. It utilizes a data-driven pre-training stage, followed by on-policy Reinforcement Learning. Across synthetic and real network topologies, and unseen mixed TCP/UDP traffic sequences, LOGGIA consistently outperforms shortest-path baselines, whereas neural baselines fail once realistic delays are enforced. Our experiments further suggest that neural routing algorithms like LOGGIA perform best when deployed fully locally, i.e., observing network states and inferring actions at every router individually, as opposed to centralized decision making.
• Abstract（参考訳）: ルーティングアルゴリズムは、効率的なコンピュータネットワーク運用には不可欠であり、多くの設定では、ミリ秒以内のトラフィックバーストに反応できなければならない。 ライブテレメトリデータはルーティングアルゴリズムに情報信号を提供することができる。 既存のニューラルネットワークは非現実的な遅延のないグローバルステートを前提とするか、ルータを純粋にローカルなテレメトリに制限する。 これにより、実際の環境でのデプロイ性は不明確になる。 テレメトリを意識したルーティングを遅延対応のクローズドループ制御問題とし、通信と推論遅延を明示的にモデル化しながら、ニューラルネットワークアルゴリズムを訓練・評価するフレームワークを導入した。 このフレームワーク上では,属性付きトポロジ・アンド・テレメトリグラフから対数空間リンク重みを予測するスケーラブルなグラフニューラルルーティングアルゴリズムであるLOGGIAを提案する。 データドリブンの事前トレーニングステージを使用し、その後にオンデマンドの強化学習が続く。 合成および実ネットワークトポロジや、TCP/UDPの混在したトラフィックシーケンスでは、LOGGIAは最短パスのベースラインを一貫して上回り、一方、ニューラルネットワークのベースラインは現実的な遅延が実施されれば失敗する。 我々の実験は、LOGGIAのようなニューラルルーティングアルゴリズムが、完全にローカルにデプロイされた場合、すなわちネットワーク状態を観察し、各ルータでのアクションを個別に推測するときに、集中的な意思決定とは対照的に、最高のパフォーマンスを示すことを示唆している。

関連論文リスト

• Intelligent Routing Algorithm over SDN: Reusable Reinforcement Learning Approach [1.799933345199395]
  本稿では,再利用可能なRLSRルーティングアルゴリズム RLSR-Routing をSDN上で開発する。 我々のアルゴリズムは従来の手法よりもロードバランシングの点で優れた性能を示している。 また、複数のトラフィック要求のパスを見つける際には、再利用不可能なRLアプローチよりも早く収束する。
  論文  参考訳（メタデータ） (2024-09-23T17:15:24Z)
• Decentralized Optimization in Time-Varying Networks with Arbitrary Delays [22.40154714677385]
  通信遅延によるネットワークの分散最適化問題を考察する。 そのようなネットワークの例としては、協調機械学習、センサーネットワーク、マルチエージェントシステムなどがある。 通信遅延を模倣するため、ネットワークに仮想非計算ノードを追加し、有向グラフを生成する。
  論文  参考訳（メタデータ） (2024-05-29T20:51:38Z)
• Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
  我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。 教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。 実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T04:34:25Z)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Neural network relief: a pruning algorithm based on neural activity [47.57448823030151]
  重要でない接続を非活性化する簡易な重要スコア計量を提案する。 MNIST上でのLeNetアーキテクチャの性能に匹敵する性能を実現する。 このアルゴリズムは、現在のハードウェアとソフトウェアの実装を考えるとき、FLOPを最小化するように設計されていない。
  論文  参考訳（メタデータ） (2021-09-22T15:33:49Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)

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。