Maskininlärningsdriven optimering i nätverkssystem
Att utnyttja grafiska neurala nätverk för att lösa resursallokeringsproblem
Tid: To 2026-02-12 kl 09.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Språk: Engelska
Ämnesområde: Datalogi
Respondent: Daniel Felipe Perez-Ramirez , Programvaruteknik och datorsystem, SCS, RISE Research Institutes of Sweden AB, Networked Systems Laboratory (NSLab)
Opponent: Professor Rui Tan, Nanyang Technological University, College of Computing and Data Science
Handledare: Professor Dejan Kostic, Kommunikationssystem, CoS, Programvaruteknik och datorsystem, SCS; Professor Magnus Boman, Karolinska Institutet, Department of Medicine; Dr. Nicolas Tsiftes, RISE Research Institutes of Sweden AB
QC 20260120
Abstract
Moderna dator- och kommunikationsnätverk utvecklas mot en aldrig tidigare skådad skala och heterogenitet, drivna av framsteg inom Internet of Things (IoT), moln- och kantberäkning samt 6G. En effektiv hantering av dessa nätverk kräver lösning av storskaliga kombinatoriska optimeringsproblem (COP) under tillämpningsspecifika begränsningar. Traditionella heuristiska metoder är ofta praktiskt användbara, men uppvisar begränsad skalbarhet, vilket leder till suboptimalt resursutnyttjande. Denna avhandling undersöker hur maskininlärning, i synnerhet grafbaserad representationsinlärning, kan automatisera och skala processen för att lösa sådana COP inom nätverkssystem. Vi inleder med en översikt av grunderna i lärande med avseende på kombinatorisk optimering av grafer. Vi identifierar viktiga möjligheter för grafneurala nätverk (GNN) att överträffa handkonstruerade heuristiker vad gäller skalbarhet och anpassningsförmåga inom nätverksdomänen. Därefter introducerar vi DeepGANTT, en Attention-baserad GNN schemaläggare för IoT-nätverk, förstärkt med batterilösa bakscatter-taggar. Systemet tränas på optimala scheman från små nätverksinstanser (upp till 10 noder), men generaliserar utan omträning till större nätverk med upp till 60 noder. Systemet uppnår nära optimal prestanda (inom 3% från optimum) samtidigt som energi- och spektrumutnyttjandet reduceras med upp till 50% jämfört med den bästa existerande heuristiken. Vi förbättrar därefter generaliseringen till ännu större probleminstanser med RobustGANTT, en nästa generations GNN-schemaläggare som integrerar förbättrade grafbaserade positionskodningar och Attention-mekanismer med flerahuvuden. RobustGANTT uppvisar konsekvent generalisering över oberoende träningsomgångar och skalar till nätverk som är 100× större än träningsstorlekarna, med möjligheten att beräkna scheman för upp till 1000 IoT-noder och hundratals sensortaggar. Systemet uppnår upp till 2× besparingar i energi- och spektrumutnyttjande samt en 3.3× minskning i exekveringstid jämfört med DeepGANTT, med polynomiell tidskomplexitet som möjliggör snabb anpassning till nätverksdynamiken. Utöver prestandaförbättringar ger vi även empiriska och teoretiska insikter i stabilitets- och generaliseringsbeteendet hos lärandebaserad schemaläggning. Genom att förena grafbaserad kombinatorisk optimering med djupinlärning bidrar denna avhandling till hållbar och adaptiv hantering av nätverk och banar väg för energieffektiva nätverkssystem.