Editorial ilmu komputer
Open AccessOA2026
RIGEL: Diagnosis Anomali Optik Real-time dengan Inferensi Stateful In-Network Berbasis GNN On-switch Terdistribusi
Sistem inferensi terdistribusi stateful yang sepenuhnya in-network untuk diagnosis anomali optik menggunakan Graph Neural Network kolaboratif pada switch Tofino
Zhen Wei; Yidong Wang; Yufan Zhu; Xuefeng Yan; Binjun Tang; Xiaoliang Chen; Zuqing Zhu· 2026· DOI 10.48550/arXiv.2607.29306
Masalah inti
Pertumbuhan pesat aplikasi yang intensif data telah secara signifikan memperumit pengelolaan jaringan optik, sehingga diagnosis anomali optik real-time menjadi kemampuan yang esensial. Pendekatan yang ada sebagian besar mengandalkan analitik data terpusat, yang menimbulkan latensi dan overhead bawaan akibat pertukaran pesan antara bidang data dan bidang kontrol. Keterbatasan ini menghambat kemampuan untuk mendeteksi dan melokalisasi anomali secara cepat, yang berpotensi menyebabkan degradasi layanan dan kegagalan jaringan. Untuk mengatasi tantangan tersebut, penelitian ini mengusulkan RIGEL, sistem baru yang mewujudkan inferensi stateful terdistribusi in-network melalui Graph Neural Network (GNN) kolaboratif yang diterapkan langsung pada switch Tofino. RIGEL dirancang sepenuhnya in-network, menghilangkan kebutuhan akan pemrosesan terpusat dan memungkinkan diagnosis real-time. Sistem ini memanfaatkan co-design perangkat lunak-perangkat keras untuk memproses awal data spektral berdimensi tinggi, sehingga cocok untuk inferensi berbasis perangkat keras. Dengan menggabungkan autoencoder dengan GNN berbasis GraphSAGE, RIGEL mencapai deteksi dan lokalisasi anomali yang sangat akurat, seba
Inovasi
RIGEL dievaluasi pada testbed jaringan packet-over-optical yang realistis, menunjukkan efektivitasnya dalam diagnosis anomali optik real-time. Sistem ini mencapai deteksi dan lokalisasi anomali optik yang sangat akurat, dengan respons tepat waktu yang melampaui metode terpusat terkini. Secara spesifik, RIGEL mengurangi latensi diagnosis dengan menghilangkan pertukaran pesan antara bidang data dan bidang kontrol, sehingga memungkinkan waktu respons di bawah satu milidetik. Akurasi deteksi dan lokalisasi anomali diverifikasi melalui eksperimen ekstensif, menunjukkan presisi dan recall yang tinggi. Inferensi terdistribusi in-network memungkinkan RIGEL untuk berskala seiring ukuran jaringan tanpa menimbulkan overhead tambahan. Analisis komparatif menyoroti manfaat RIGEL dibandingkan pendekatan yang ada, termasuk latensi lebih rendah, beban bidang kontrol berkurang, dan skalabilitas yang lebih baik. Hasil testbed mengonfirmasi bahwa RIGEL dapat secara efektif menangani data spektral berdimensi tinggi dan melakukan inferensi stateful pada switch Tofino, menjadikannya solusi praktis untuk pengelolaan jaringan optik real-time.
Pertumbuhan pesat aplikasi yang intensif data telah secara signifikan memperumit pengelolaan jaringan optik, sehingga diagnosis anomali optik real-time menjadi kemampuan yang esensial. Pendekatan yang ada sebagian besar mengandalkan analitik data terpusat, yang menimbulkan latensi dan overhead bawaan akibat pertukaran pesan antara bidang data dan bidang kontrol. Keterbatasan ini menghambat kemampuan untuk mendeteksi dan melokalisasi anomali secara cepat, yang berpotensi menyebabkan degradasi layanan dan kegagalan jaringan. Untuk mengatasi tantangan tersebut, penelitian ini mengusulkan RIGEL, sistem baru yang mewujudkan inferensi stateful terdistribusi in-network melalui Graph Neural Network (GNN) kolaboratif yang diterapkan langsung pada switch Tofino. RIGEL dirancang sepenuhnya in-network, menghilangkan kebutuhan akan pemrosesan terpusat dan memungkinkan diagnosis real-time. Sistem ini memanfaatkan co-design perangkat lunak-perangkat keras untuk memproses awal data spektral berdimensi tinggi, sehingga cocok untuk inferensi berbasis perangkat keras. Dengan menggabungkan autoencoder dengan GNN berbasis GraphSAGE, RIGEL mencapai deteksi dan lokalisasi anomali yang sangat akurat, sebagaimana ditunjukkan dalam testbed jaringan packet-over-optical yang realistis. Digest ini menyajikan aspek-aspek kunci RIGEL mengikuti struktur IMRAD.
Metodologi RIGEL berpusat pada co-design perangkat lunak-perangkat keras yang memungkinkan inferensi stateful terdistribusi in-network pada switch Tofino. Sistem ini memproses awal data spektral berdimensi tinggi untuk mengurangi dimensi dan mengekstraksi fitur relevan yang sesuai untuk implementasi perangkat keras. Model inti menggabungkan autoencoder untuk pembelajaran fitur tanpa pengawasan dengan GNN berbasis GraphSAGE untuk inferensi kolaboratif antar switch. Autoencoder memampatkan data spektral masukan menjadi representasi laten, yang kemudian diproses oleh GNN untuk menangkap korelasi spasial dan temporal antar node jaringan. Untuk mengadaptasi model ke switch Tofino, diusulkan metode yang dapat digeneralisasi yang memetakan operasi GNN ke pipeline terprogram switch, memastikan eksekusi yang efisien. Inferensi terdistribusi bersifat stateful, artinya setiap switch memelihara dan memperbarui state lokalnya berdasarkan data masuk dan pesan dari switch tetangga, sehingga memungkinkan diagnosis anomali kolaboratif tanpa koordinasi terpusat. Sistem ini beroperasi sepenuhnya di dalam bidang data, menghindari overhead bidang kontrol. Formulasi matematis autoencoder dapat dinyatakan sebagai:
Mengapa penting
Analisis RIGEL mengungkap keunggulan utamanya dan implikasi potensialnya bagi pengelolaan jaringan optik. Dengan memindahkan inferensi sepenuhnya ke bidang data, RIGEL menghilangkan latensi dan overhead yang terkait dengan analitik terpusat, sehingga memungkinkan diagnosis anomali real-time. Inferensi stateful terdistribusi memungkinkan switch untuk secara kolaboratif mendeteksi dan melokalisasi anomali tanpa koordinator pusat, meningkatkan ketahanan dan skalabilitas. Co-design perangkat lunak-perangkat keras mengatasi tantangan pemrosesan data spektral berdimensi tinggi pada switch dengan sumber daya terbatas, menunjukkan kelayakan pembelajaran mesin in-network. Namun, pendekatan ini mungkin menghadapi batasan dalam hal memori switch dan kapasitas komputasi, yang dapat memengaruhi kompleksitas model yang dapat diterapkan. Pekerjaan selanjutnya dapat mengeksplorasi teknik kompresi model yang lebih efisien dan memperluas kerangka kerja ke jenis anomali jaringan lainnya. Secara keseluruhan, RIGEL merupakan langkah signifikan menuju jaringan optik otonom, di mana anomali didiagnosis dan dimitigasi di tepi jaringan, mengurangi ketergantungan pada kontrol terpusat dan meningkatkan kinerja jaringan secara keseluruhan.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…