在支持MPTCP的异构网络中利用GNN学习负载均衡
机器学习
2025-09-09 v2 系统与控制
系统与控制
摘要
混合光保真（LiFi）和无线保真（WiFi）网络是一种有前景的异构网络（HetNet）范式，这归因于光谱和射频的互补物理特性。然而，目前此类HetNet的发展主要受限于现有的传输控制协议（TCP），该协议限制用户设备（UE）一次只能连接一个接入点（AP）。虽然正在进行的关于多路径TCP（MPTCP）的研究可以带来显著的好处，但它使HetNet的网络拓扑复杂化，使得现有的负载均衡（LB）学习模型效果降低。受此驱动，我们提出了一种基于图神经网络（GNN）的模型来解决支持MPTCP的HetNet的LB问题，该问题导致部分网状拓扑。这种拓扑可以建模为图，其中信道状态信息和数据速率需求嵌入为节点特征，而LB解决方案被视为边标签。与传统的深度神经网络（DNN）相比，所提出的基于GNN的模型表现出两个关键优势：i）它能更好地解释复杂的网络拓扑；ii）它能用单个训练好的模型处理不同数量的AP和UE。仿真结果表明，与传统的优化方法相比，所提出的学习模型可以在11.5%的差距内实现接近最优的吞吐量，同时将推理时间减少4个数量级。与DNN模型相比，新方法可以在相似的推理时间水平下，将网络吞吐量提高高达21.7%。
引用
@article{arxiv.2410.17118,
title = {Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks},
author = {Han Ji and Xiping Wu and Zhihong Zeng and Chen Chen},
journal= {arXiv preprint arXiv:2410.17118},
year = {2025}
}
备注
We would like to withdraw this submission because it contains several errors that need substantial revision. We plan to prepare a corrected and improved version, which will be submitted as a new manuscript at a later stage