Графовые нейронные сети для предсказания характеристик сетей в архитектурах New IP и ManyNets

В архитектурах New IP и ManyNets (ITU-T Network 2030) возрастает потребность в предсказании характеристик сетей, в том числе задержки пути, без тяжелой симуляции; неочевидно, при каких условиях графовые нейронные сети превосходят простые расчетные методы и как модели обобщаются на графы иного размера. Цель – оценить применимость графовой модели к задаче задержки пути на синтетических графах с формулой, учитывающей нагрузку на ребрах, и обобщение на графы большего размера. Применен сравнительный эксперимент на графах Эрдеша–Реньи: модель на основе графовой свертки сопоставлена с базовым методом; два эксперимента – целевая задержка с учетом нагрузки и тест на графах с 15 и 20 узлами после обучения на графах с 15 узлами. Результаты: в первом эксперименте базовый метод дал MAE 1,85 и MAPE 7,89 %, графовая модель – 9,91 и 59,20 %; во втором при переходе теста с 15 на 20 узлов MAE графовой модели снизилась примерно на 7 %, базового метода выросла на ~8 %. Сделан вывод о применимости подхода на синтетических данных как первого шага к моделям оценки характеристик сетей для архитектур New IP и ManyNets. Материалы полезны специалистам при выборе и валидации методов предсказания задержки и планировании экспериментов на синтетических топологиях.

1. Rusek K., Suárez-Varela J., Almasan P., Barlet-Ros P., Cabellos-Aparicio A. RouteNet: Leveraging graph neural networks for network modeling and optimization in SDN. IEEE Journal on Selected Areas in Communications. 2020;38(10):2260–2270. https://doi.org/10.1109/JSAC.2020.3000405

2. Kipf Th.N., Welling M. Semi-supervised classification with graph convolutional networks. In: 5th International Conference on Learning Representations, ICLR 2017, 24–26 April 2017, Toulon, France. 2017. URL: https://openreview.net/forum?id=SJU4ayYgl

3. Scarselli F., Gori M., Tsoi A.Ch., Hagenbuchner M., Monfardini G. The graph neural network model. IEEE Transactions on Neural Networks. 2009;20(1):61–80. https://doi.org/10.1109/TNN.2008.2005605

4. Gilmer J., Schoenholz S.S., Riley P.F., Vinyals O., Dahl G.E. Neural message passing for quantum chemistry. In: Proceedings of the 34th International Conference on Machine Learning, ICML 2017, 06–11 August 2017, Sydney, NSW, Australia. PMLR; 2017. P. 1263–1272.

5. Xu K., Hu W., Leskovec J., Jegelka S. How powerful are graph neural networks? In: International Conference on Learning Representations, ICLR 2019, 06–09 May 2019, New Orleans, LA, USA. 2019. URL: https://openreview.net/forum?id=ryGs6iA5Km

6. Farreras M., Soto P., Camelo M., Fàbrega L., Vilà P. Improving network delay predictions using GNNs. Journal of Network and Systems Management. 2023;31(4). https://doi.org/10.1007/s10922-023-09758-9

7. Roy A., Pachuau J.L., Saha A.K. An overview of queuing delay and various delay based algorithms in networks. Computing. 2021;103(10):2361–2399. https://doi.org/10.1007/s00607-021-00973-3

8. Knight S., Nguyen H.X., Falkner N., Bowden Rh., Roughan M. The internet topology zoo. IEEE Journal on Selected Areas in Communications. 2011;29(9):1765–1775. https://doi.org/10.1109/JSAC.2011.111002

9. Erdos P., Renyi A. On the evolution of random graphs. Publications of the Mathematical Institute of the Hungarian Academy of Sciences. 1960;5:17–61.

10. Fey M., Lenssen J.E. Fast graph representation learning with PyTorch Geometric. arXiv. URL: https://arxiv.org/abs/1903.02428 [Accessed 5th March 2025].