揭示图神经网络在SDN网络建模与优化中的潜力

网络建模是构建自动驾驶软件定义网络的关键组成部分，尤其是为了找到满足管理员设定目标的最优路由方案。然而，现有建模技术无法满足提供相关性能指标（如延迟和抖动）准确估计的要求。在本文中，我们提出了一种新颖的图神经网络（GNN）模型，能够理解拓扑、路由与输入流量之间的复杂关系，从而对每个源/目的节点对的平均延迟和抖动产生准确估计。GNN专为学习并建模以图结构组织的信息而设计，因此我们的模型能够泛化到任意拓扑、路由方案以及可变流量强度。在文中我们表明，当在训练期间未见的拓扑、路由和流量上进行测试时，我们的模型提供了延迟和抖动的准确估计（最坏情况 $R^2=0.86$）。此外，我们通过若干用例展示了该模型在网络运营中的潜力，这些用例表明其在每个源/目的节点对延迟/抖动路由优化中的有效应用，以及其在训练期间未见的拓扑和路由方案上进行推理的泛化能力。