L'apprentissage automatique est-il prêt pour l'optimisation de l'ingénierie du trafic ?

L'ingénierie du trafic (TE) est un élément de base d'Internet. Dans cet article, nous analysons si les méthodes modernes d'apprentissage automatique (ML) sont prêtes à être utilisées pour l'optimisation de la TE. Nous abordons cette question ouverte à travers une analyse comparative entre l'état de l'art en ML et l'état de l'art en TE. À cette fin, nous présentons d'abord un nouveau système distribué pour la TE qui tire parti des dernières avancées en ML. Notre système implémente une architecture novatrice qui combine l'apprentissage par renforcement multi-agent (MARL) et les réseaux de neurones graphiques (GNN) pour minimiser la congestion du réseau. Dans notre évaluation, nous comparons notre système MARL+GNN avec DEFO, un optimiseur de réseau basé sur la programmation par contraintes qui représente l'état de l'art en TE. Nos résultats expérimentaux montrent que la solution MARL+GNN proposée atteint des performances équivalentes à celles de DEFO dans une large variété de scénarios réseau, y compris trois topologies réseau réelles. En même temps, nous montrons que MARL+GNN peut réaliser des réductions significatives du temps d'exécution (de l'échelle de minutes avec DEFO à quelques secondes avec notre solution).