BGP構成合成のためのDeepBGP A機械学習アプローチ【JST・京大機械翻訳】

Bahnasy Mahmoud; Li Fenglin; Xiao Shihan; Cheng Xiangle

文献

J-GLOBAL ID：202002236167305062 整理番号：20A2094705

BGP構成合成のためのDeepBGP A機械学習アプローチ【JST・京大機械翻訳】

DeepBGP A Machine Learning Approach for BGP Configuration Synthesis

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A2094705&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (4件)： , , ,
資料名：
号： NetAI ’20 ページ： 48-55 発行年： 2020年
JST資料番号： D0698C 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

順序ゲートウェイプロトコル(BGP)は,広域ネットワーク(WAN)間の可到達性情報を交換するために使用される標準ドメイン間ルーティングプロトコルである。BGPは,多くの柔軟性を導入する政策ベースのルーティングプロトコルである。しかし,この柔軟性は,構成の複雑性を増加させる。本研究では,高レベルオペレータ意図を与えるネットワーク構成を合成するニューラルネットワークベースシステムとしてDeepBGPを導入した。ネットワークトポロジーを表現するためにグラフニューラルネットワーク(GNN)を採用し,部分ネットワーク構成を生成する。次に,検証ユニットを用いて,進化戦略(ES)最適化者がニューラルネットワークパラメータを更新する報酬を計算した。ESはバックプロパゲーションを必要としないので,計算時間の大幅な低減を提供する。さらに,強いハードウェア加速とESによって提供される並列化能力による深層学習における最近の進歩は,提案した解決策をより大きなトポロジーにスケーリングする大きな可能性を提供する。DeepBGPは,オペレータ要求を満たしながら,HuaweiとCiscoデバイスの両方に対してネットワーク全体の構成を生成することを実験的に実証した。また,ネットワークサイズが増加して,ハードウェア加速がシステムのスケーラビリティをどのように改善できるかを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (5件)： , , , ,

計算機網 , 電話・データ通信・交換一般

前のページに戻る