DeepNC: Surrogate Pra-Verifikasi Berbasis GNN yang Cepat untuk Konfigurasi TSN

Time-Sensitive Networking (TSN) menyediakan komunikasi deterministik untuk domain yang kritis terhadap keselamatan, di mana jaminan schedulability sangat penting. Metode verifikasi formal seperti Network Calculus (NC) menjadi landasan untuk jaminan tersebut. Namun, selama eksplorasi ruang konfigurasi otomatis, analisis schedulability yang berulang menghabiskan lebih dari 90% total waktu konfigurasi, sehingga menjadi hambatan utama untuk konfigurasi TSN berskala besar. Penelitian ini memperkenalkan DeepNC, modul surrogate pra-verifikasi baru yang menjadi pelopor penggabungan struktural prinsip NC ke dalam Graph Neural Network (GNN) untuk eksplorasi ruang konfigurasi TSN. Alih-alih menggantikan verifikasi formal, DeepNC berperan sebagai filter pra-verifikasi berkecepatan tinggi, sehingga verifikasi formal yang mahal secara komputasi hanya dialokasikan untuk kandidat yang menjanjikan. Penulisnya adalah Jiayi Zhu, Jing Lin, Zelong Tian, Feng He, dan Luxi Zhao.

Evaluasi ekstensif menunjukkan bahwa DeepNC secara signifikan meningkatkan akurasi prediksi worst-case delay dibandingkan metode berbasis pembelajaran mutakhir. Secara spesifik, model ini meningkatkan rata-rata $R^2$ sebesar 55,8% dan menurunkan rata-rata MAPE sebesar 65,3%. Lebih penting lagi, regresi berfidelitas tinggi ini secara substansial mengurangi jumlah panggilan verifikasi formal selama eksplorasi ruang konfigurasi sebesar 93,25%, sekaligus mempercepat verifikasi berbasis NC lebih dari dua orde magnitudo. Hasil ini menunjukkan bahwa DeepNC dapat secara efektif menyaring konfigurasi yang tidak menjanjikan, sehingga menghasilkan penghematan waktu yang dramatis dalam proses konfigurasi. Pengurangan panggilan verifikasi ini secara langsung berarti eksplorasi yang lebih cepat, sehingga memungkinkan konfigurasi TSN berskala besar yang sebelumnya tidak layak.