신경망은 텔레메트리 기반의 탐욕적 라우팅을 위한 잠재적 임베딩을 제공할 수 있는가?

Can Neural Networks Provide Latent Embeddings for Telemetry-Aware Greedy Routing?

텔레메트리 기반 라우팅은 컴퓨터 네트워크에서 트래픽 급증에 대한 효율성과 응답성을 향상시킬 수 있습니다. 최근 연구에서는 네트워크 상태와 라우팅 간의 복잡한 의존성을 해결하기 위해 머신러닝을 활용하지만, 제안된 신경망 라우팅 모듈의 블랙박스 특성으로 인해 라우팅 결정의 설명 가능성이 저하됩니다. 본 논문에서는 메시지 전달 네트워크를 사용하여 네트워크 상태를 잠재적 노드 임베딩으로 변환하는 새로운 알고리즘인 extit{Placer}를 제안합니다. 이러한 임베딩은 모든 쌍 간 최단 경로 문제를 직접적으로 해결하지 않고도 빠른 탐욕적 다음 홉 라우팅을 가능하게 하며, 특정 네트워크 이벤트가 라우팅 결정에 미치는 영향을 시각화할 수 있도록 합니다.

Telemetry-Aware routing promises to increase efficacy and responsiveness to traffic surges in computer networks. Recent research leverages Machine Learning to deal with the complex dependency between network state and routing, but sacrifices explainability of routing decisions due to the black-box nature of the proposed neural routing modules. We propose \emph{Placer}, a novel algorithm using Message Passing Networks to transform network states into latent node embeddings. These embeddings facilitate quick greedy next-hop routing without directly solving the all-pairs shortest paths problem, and let us visualize how certain network events shape routing decisions.