Toward Scalable and High-Performance GNN-Based Traffic Engineering with Free Path Selection
Notice bibliographique
Résumé
Traffic engineering (TE) is widely used to optimize network performance in modern networks. Typically, TE is formulated as a multiple-commodity flow (MCF) optimization problem and solved using mathematical solvers or machine learning approaches, but it becomes unscalable as the network size grows. Existing methods often limit available paths for flow allocation to speed up problem-solving, but this compromises TE performance. Achieving both high performance and fast decisionmaking with free path selection remains a significant challenge. This paper proposes TELD, a scalable and high-performance TE framework with free path selection. TELD leverages Graph Neural Networks (GNNs) that are widely proven with high efficiency in capturing network-specific characteristics and enabling faster decision-making than mathematical solvers. Our key idea is to reformulate the MCF problem into a learningfriendly representation and integrate TE constraints directly into GNN training and inference. The key challenge here is how to efficiently combine the problem reformulation with GNN. TELD tackles this with two critical designs. First, observing that GNNs work better with continuous features, TELD relaxes the freepath MCF formulation by treating flow allocation variables as continuous rather than discrete. Second, TELD introduces a multi-constraint hybrid GNN and a result fine-tuning mechanism to further improve GNN efficiency in TE. Extensive experiments show that TELD outperforms the state-of-the-art GNN-based TE framework by$\sim 55\%$and reduces decision latency by three orders of magnitude compared to mathematical solvers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».