IGNNITION：弥合图神经网络与网络系统之间的鸿沟
机器学习
2022-02-04 v2 人工智能
网络与互联网体系结构
信号处理
摘要
近年来，图神经网络(GNN)在许多数据以图结构组织的领域（如化学、推荐系统）中展现出巨大潜力。特别地，GNN在网络领域日益流行，因为图在多个层面（如拓扑、路由）天然存在。GNN的主要新颖性在于其能够泛化到训练期间未见的其它网络，这是为网络开发实用机器学习(ML)解决方案的关键特性。然而，实现可用的GNN原型目前是一项繁琐任务，需要较强的神经网络编程能力。这对通常不具备必要ML专业知识的网络工程师构成了重要障碍。在本文中，我们提出IGNNITION，一个支持网络系统GNN快速原型开发的开源框架。IGNNITION基于直观的高级抽象，隐藏了GNN背后的复杂性，同时仍提供构建自定义GNN架构的极大灵活性。为展示该框架的通用性与性能，我们实现了两个应用于不同网络用例的先进GNN模型。我们的结果表明，IGNNITION生成的GNN模型在准确率和性能上与其在TensorFlow中的原生实现相当。
引用
@article{arxiv.2109.06715,
title = {IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems},
author = {David Pujol-Perich and José Suárez-Varela and Miquel Ferriol and Shihan Xiao and Bo Wu and Albert Cabellos-Aparicio and Pere Barlet-Ros},
journal= {arXiv preprint arXiv:2109.06715},
year = {2022}
}