Throughput prediction in optical networks with graph neural networks

Maximum throughput estimation is a fundamental problem in optical network design, as it allows to plan ahead-of-time the best topology configuration for supporting the highest possible amount of traffic. Unfortunately, evaluating the maximum throughput in optical networks given a specific traffic matrix requires solving hard optimization problems, which make it very difficult to evaluate a large set of candidate network topologies. Specifically, exact solutions to this problem have usually been classical optimization models like Integer Linear Programming (ILP), which for a large number of candidate optical network topologies require an very large computational times. Alternatively, one may resort to heuristics, which do not guarantee the optimality of the solution found. In this Thesis, we propose the use of a Graph Neural Network (GNN), a type of Artificial Neural Network (ANN) capable of understanding the shape of a given graph as well as its characteristics, able to quickly provide an estimate of the maximum throughput based on previous knowledge of a set of training exemplars. In our current implementation, the GNN that we implemented is capable of giving the correct estimation for a topology with a fixed number of nodes and for this reason it can be useful in optical network management, e.g., to design the best topology for a given traffic matrix, or to predict the throughput that a traffic matrix will have on a given network topology.

La stima del massimo throughput è un problema fondamentale nella progettazione delle reti ottiche, in quanto consente di pianificare in anticipo la migliore configurazione topologica per supportare la massima quantità di traffico possibile. Purtroppo, la valutazione del massimo throughput nelle reti ottiche, data una specifica matrice di traffico, richiede la risoluzione di difficili problemi di ottimizzazione, che rendono molto difficile la valutazione di un ampio insieme di topologie di rete candidate. In particolare, le soluzioni esatte a questo problema sono solitamente costituite da modelli di ottimizzazione classici come la programmazione lineare integrale (ILP), che per un gran numero di topologie di reti ottiche candidate richiede tempi di calcolo molto elevati. In alternativa, si può ricorrere all'euristica, che non garantisce l'ottimalità della soluzione trovata. In questa tesi, proponiamo l'uso di una Rete Neurale di Grafi (GNN), un tipo di rete neurale artificiale (ANN) in grado di comprendere la forma di un dato grafo e le sue caratteristiche, in grado di fornire rapidamente una stima del massimo throughput sulla base della conoscenza precedente di un insieme di esemplari di addestramento. Nella nostra attuale implementazione, il GNN che abbiamo realizzato è in grado di fornire una stima corretta per una topologia con un numero fisso di nodi e per questo motivo può essere utile nella gestione delle reti ottiche, ad esempio per progettare la topologia migliore per una determinata matrice di traffico o per prevedere il throughput che una matrice di traffico avrà su una determinata topologia di rete.