基于学习的自适应范围路由在图神经网络辅助的交通工程中的应用

《IEEE Transactions on Networking》：Learning-Based Adaptive Range Routing for Traffic Engineering With Graph Neural Networks

交通工程优化框架LARRI通过融合未来需求预测与范围路由模仿，采用可扩展图神经网络架构实现动态流量场景下的性能最优与最坏情况保证的平衡。实验表明其在六个实际网络拓扑中优于现有基线43.3%，同时保持端到端延迟最低。

　　

摘要：

流量工程（Traffic Engineering, TE）已被网络运营商广泛用于提升网络性能和提供更优质的服务。TE面临的一个主要挑战是制定能够适应高度动态未来流量场景的路由策略。不幸的是，现有的方法要么在遇到意外流量波动时性能严重下降，要么为了保证最坏情况下的性能而牺牲最优性，尤其是在流量相对稳定时。在本文中，我们提出了LARRI这一基于学习的TE框架，它能够预测未知未来流量场景下的自适应路由策略。通过将未来需求范围预测和最优范围路由仿真整合到一个步骤中，LARRI能够生成一种能够适应各种可能未来流量矩阵的路由策略，从而在性能最优性和最坏情况保障之间取得良好的平衡。此外，LARRI采用了可扩展的图神经网络架构，极大地简化了训练和推理过程。在六个真实世界网络拓扑上的广泛模拟表明，LARRI在未来的流量场景中实现了接近最优的负载均衡，将最坏情况下的性能提升了多达43.3%，并在动态流量波动下始终提供了最低的端到端延迟。