В архитектурах New IP и ManyNets (ITU-T Network 2030) возрастает потребность в предсказании характеристик сетей, в том числе задержки пути, без тяжелой симуляции; неочевидно, при каких условиях графовые нейронные сети превосходят простые расчетные методы и как модели обобщаются на графы иного размера. Цель – оценить применимость графовой модели к задаче задержки пути на синтетических графах с формулой, учитывающей нагрузку на ребрах, и обобщение на графы большего размера. Применен сравнительный эксперимент на графах Эрдеша–Реньи: модель на основе графовой свертки сопоставлена с базовым методом; два эксперимента – целевая задержка с учетом нагрузки и тест на графах с 15 и 20 узлами после обучения на графах с 15 узлами. Результаты: в первом эксперименте базовый метод дал MAE 1,85 и MAPE 7,89 %, графовая модель – 9,91 и 59,20 %; во втором при переходе теста с 15 на 20 узлов MAE графовой модели снизилась примерно на 7 %, базового метода выросла на ~8 %. Сделан вывод о применимости подхода на синтетических данных как первого шага к моделям оценки характеристик сетей для архитектур New IP и ManyNets. Материалы полезны специалистам при выборе и валидации методов предсказания задержки и планировании экспериментов на синтетических топологиях.
In New IP and ManyNets architectures (ITU-T Network 2030), the need to predict network characteristics, including path delay, without heavy simulation grows; it remains unclear when graph neural networks outperform simple computational methods and how such models generalize to different graph sizes. This article aims to assess applicability of a graph neural network to the path delay task on synthetic graphs with a formula accounting for link load, and to evaluate generalization to larger graphs. A comparative experiment on Erdős–Rényi graphs was applied: a graph convolution-based model was compared with a baseline method; two experiments were conducted: a load-aware target latency experiment and a test on graphs with 15 and 20 nodes after training on graphs with 15 nodes. Results (single run): in the first experiment the baseline gave MAE 1.85 and MAPE 7.89 %, the graph model 9.91 and 59.20 %; in the second, when moving from 15- to 20-node test graphs, the graph model’s MAE decreased by about 7 % and the baseline’s increased by about 8 %. The approach is concluded applicable on synthetic data as a first step toward models for predicting network characteristics in New IP and ManyNets architectures. The materials are of practical value for specialists when choosing and validating delay prediction methods and planning experiments on synthetic topologies.
The authors declare that there are no conflicts of interest present.