ニューラル・ルーティング・アルゴリズムによるテレメトリ認識のニア・リアルタイム・テレメトリ対応ルーティング

要旨: ルーティングアルゴリズムは効率的なコンピュータネットワーク運用にとって重要であり、多くの状況では数ミリ秒以内にトラフィックのバーストに反応できなければなりません。ライブのテレメトリデータはルーティングアルゴリズムにとって有益な信号を提供でき、近年の研究では、こうした信号を活用したトラフィック対応ルーティングのためにニューラルネットワークを学習させる試みが行われています。しかし、ネットワーク全体の情報を集約することは通信遅延の影響を受け、その結果として既存のニューラル手法は、遅延のない現実離れしたグローバル状態を前提とするか、ルータに純粋にローカルなテレメトリの利用を制限するかのいずれかに留まります。これにより、実世界環境での導入可能性が不明確なままです。本研究では、テレメトリ対応ルーティングを遅延対応の閉ループ制御問題として定式化し、通信遅延と推論遅延を明示的にモデル化しながら、ニューラルルーティングアルゴリズムを学習・評価するための枠組みを導入します。この枠組みの上に、LOGGIA というスケーラブルなグラフニューラルルーティングアルゴリズムを提案します。これは、属性付きトポロジ・テレメトリグラフから対数空間（log-space）のリンク重みを予測します。データ駆動の事前学習段階の後に、オンポリシー強化学習を行います。合成および実ネットワークトポロジ、ならびに未見の混在 TCP/UDP トラフィック系列において、LOGGIA は一貫して最短経路ベースラインを上回ります。一方でニューラルベースラインは、現実的な遅延を強制すると性能が破綻します。さらに本実験は、LOGGIA のようなニューラルルーティングアルゴリズムは、中央集権的な意思決定ではなく、ネットワーク状態を観測し、すべてのルータで個別にアクションを推論する、完全にローカルにデプロイした場合に最も良い性能を示すことを示唆しています。