从单图学习即可满足无线网络中近最短路径路由所需
机器学习
2023-08-22 v1 网络与互联网体系结构
摘要
我们提出一种局部路由策略的学习算法，其仅需从单图获得的少量数据样本，同时可泛化至无线网络标准模型中的所有随机图。因此我们通过对深度神经网络（DNNs）的训练解决全点对近最短路径问题，这些网络高效且可扩展地学习局部路由策略，即仅考虑节点状态与邻节点状态。值得注意的是，我们训练的其中一个DNN学到的策略精确匹配贪婪转发性能；另一个通常优于贪婪转发。我们的算法设计以多种方式利用网络领域知识：第一，在输入特征的选择上；第二，在“种子图”及其最短路径子样本的选择上。领域知识的运用为种子图与节点子采样何以足以实现高效、可扩展且可泛化的学习提供了理论可解释性。在具多样大小与密度的均匀随机图上的基于仿真的结果实证 corroborate：使用 modest 尺寸种子图中少数路由路径生成的样本可快速学到跨（几乎）所有无线网络模型随机图可泛化的模型。
引用
@article{arxiv.2308.09829,
title = {Learning from A Single Graph is All You Need for Near-Shortest Path Routing in Wireless Networks},
author = {Yung-Fu Chen and Sen Lin and Anish Arora},
journal= {arXiv preprint arXiv:2308.09829},
year = {2023}
}