将基于图的深度学习应用于真实网络场景
网络与互联网体系结构
2021-03-17 v2 机器学习
摘要
机器学习(ML)的最新进展已显示出为大量网络相关问题构建数据驱动解决方案的巨大潜力。在此背景下,构建快速且准确的网络模型对于实现网络的功能优化工具至关重要。然而,最先进的基于 ML 的网络建模技术无法在具有复杂队列调度配置的真实网络场景中准确估计延迟或抖动等重要性能指标。本文提出了一种能够准确估计网络中每路径平均延迟的新的基于图的深度学习模型。所提模型能够在训练阶段未见的拓扑、路由配置、队列调度策略和流量矩阵上成功泛化。
引用
@article{arxiv.2010.06686,
title = {Applying Graph-based Deep Learning To Realistic Network Scenarios},
author = {Miquel Ferriol-Galmés and José Suárez-Varela and Pere Barlet-Ros and Albert Cabellos-Aparicio},
journal= {arXiv preprint arXiv:2010.06686},
year = {2021}
}