.png){kind=icon}
返回
GDPlan: Generative Network Planning via Graph Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TON.2025.3535518.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络规划对于在有限的网络运营成本下促进网络服务至关重要。然而，由于问题求解的高计算开销，将网络拓扑（即物理和IP链路的连接与容量）适应时变和随机网络状态具有挑战性。现有的基于深度学习的方法由于需要同时求解IP链路容量和分配的流量，或通过启发式规则迭代探索搜索空间并使用过多样本，导致计算复杂度过高。本文提出GDPlan，首个利用条件图扩散模型应对该挑战的生成式框架。为提高求解效率，GDPlan将网络规划解耦为两个独立阶段，即生成IP链路容量的多样化高质量解和基于可行性约束的解优化。具体而言，我们开发了面向生成的图信号建模，将求解IP链路容量重新表述为基于与流量需求、物理链路和网络成本相关的图信号生成图拓扑。因此，通过基于分数的图扩散模型实现了能量引导的可控图生成，能够捕捉图拓扑的显著结构模式，并在特定目标或约束下生成多样化且保证可行性的解。GDPlan成功地实现了基于图生成的网络规划解决方案，其求解速度比商业求解器Gurobi快一个数量级。实验结果表明，与Gurobi相比，所提出的GDPlan以仅约7.5%的平均运行时间获得了3.7%最低的平均差距。
Keyword:
Network planning
graph generation
graph diffusion model
期刊
I
IF:
0
论文数:
551
被引数:
0
机构
引用论文
分享收藏分享收藏Network for AI and AI for Network: Challenges and Opportunities for Learning-Oriented Networks.png)
IEEE NETWORK
IEEE NETWORKIF6.3
PREAI
分享收藏
查看更多内容