基于 GPU 加速的大规模网络效用最大化 Proximal Message Passing 方法
最优化与控制
2025-09-16 v1 网络与互联网体系结构
系统与控制
系统与控制
摘要
我们提出一种用于大规模网络效用最大化（NUM）的 GPU 加速型原型消息传递算法。NUM 是资源分配中的基本问题，在网络中将资源分配给各种流，以在满足链路容量约束的同时最大化总效用。我们的方法是一种 ADMM 变体，仅需要对链路-路由矩阵进行稀疏矩阵-向量乘法以及元素级原型算子求值，从而实现跨流和链路的完全并行更新。它还支持异构效用类型，包括 NUM 中常见的对数效用，且不假设严格凹性。我们在 PyTorch 中实现了该方法，并在具有数百万变量和约束的规模问题上演示了其性能，相对于现有的 CPU 和 GPU 求解器实现了 4 倍至 20 倍的加速，并解决了基准方法内存耗尽的问题规模。此外，我们展示了该算法对拥塞和链路容量降解具有鲁棒性。最后，通过一个以时序扩建的轨道座位分配案例，说明了该方法在现实网络中可产生可解释的分配。
引用
@article{arxiv.2509.10722,
title = {Large-Scale Network Utility Maximization via GPU-Accelerated Proximal Message Passing},
author = {Akshay Sreekumar and Anthony Degleris and Ram Rajagopal},
journal= {arXiv preprint arXiv:2509.10722},
year = {2025}
}