RouteNet：基于图神经网络的 SDN 网络建模和优化

Oct, 2019

RouteNet：基于图神经网络的 SDN 网络建模和优化

RouteNet: Leveraging Graph Neural Networks for network modeling and optimization in SDN

Krzysztof Rusek, José Suárez-Varela, Paul Almasan, Pere Barlet-Ros, Albert Cabellos-Aparicio

TL;DR这篇论文提出了一种基于图神经网络（GNN）的网络模型 RouteNet，该模型通过学习和建模图结构信息，理解拓扑、路由和输入流量之间的复杂关系，从而准确预测网络中的表现指标，并且可以泛化到任意拓扑、路由和流量强度，可以应用于路由优化和网络规划等多个领域。

Abstract

network modeling is a key enabler to achieve efficient network operation in future self-driving software-defined networks. However, we still lack functional network models able to produce accurate predictions of

network modeling self-driving software-defined networks graph neural network routenet key performance indicators

发现论文，激发创造

探究图神经网络在 SDN 网络建模和优化中的潜力

本文提出了一种基于图神经网络的网络建模技术，能够准确估计网络拓扑、路由和输入流量之间的复杂关系，从而优化网络性能，本技术对任意拓扑、路由和流量强度具有很好的泛化能力。

Jan, 2019

路由网络延迟估计的开放世界学习图卷积方法

本文提出了一种基于图神经网络的方法，较之传统深度学习方法，更能准确地建模网络路由，进行路由网络配置预测和时延估计。同时，该方法还具有较强的泛化能力，并能跨越不同网络规模和配置，更好地适应开放性预测需求。

Jul, 2022

深度强化学习遇见图神经网络：探索一种路由优化用例

本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

Oct, 2019

基于图注意力多智能体强化学习的分组路由

本文提出了一种基于强化学习（RL）的无模型和数据驱动路径选择策略，结合图神经网络（GNN）的多智能体 RL 框架，探索了中央化，联合和合作学习三种部署范式，模拟结果表明该算法在分组传输延迟和负载方面优于一些现有的基准算法。

Jul, 2021

下一代网络中自适应交通路由的深度增强学习方法

我们研究并开发了一种深度强化学习（DRL）方法，用于自适应流量路由，该方法利用深度图卷积神经网络（DGCNN）在 DRL 框架中学习流量行为，并通过 Q 值估计选择路由路径，实现对流量动态的快速适应。与 OSPF 协议相比，实验结果表明了该框架的有效性和适应性，在增加网络吞吐量高达 7.8% 和减少 16.1% 的流量延迟方面取得了显著效果。

Feb, 2024

从捕获的流量追踪构建基于图的深度学习网络模型

通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

Oct, 2023

端到端延迟预测的低复杂度方法

该论文探讨了在软件定义网络中，设计低成本的本地算法来预测端到端的延迟，以满足特定应用程序的服务质量需求。研究提出了几种低复杂度的方法来预测延迟，并在公共数据集上比较了其预测和训练时间与准确性。

Jan, 2023

轻量级增强 Inception U-Net 神经网络用于布线可行性预测

我们提出了一种新的 U-Net 变体模型，通过嵌入 Inception 模块来预测路由阻塞和设计规则检查热点，实验证明我们的方法在 Avg-NRMSE 指标上比经典结构分别实现了 5%（RC）和 20%（DRC）的准确率提升，并且在 SSIM 度量标准上始终优于之前的模型。

Feb, 2024

智能交通系统中应用门控图神经网络提高交通密度预测

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

边缘端的 GNN：在分布式边缘服务器上实现成本有效的图神经网络处理

本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

Oct, 2022