본 논문은 차세대 대규모 복잡 네트워크의 자원 최적화 및 네트워크 계획을 위한 효율적인 네트워크 모델링에 초점을 맞추고 있다. 기존의 큐잉 이론 기반 모델링 및 패킷 기반 시뮬레이터는 가정과 계산 비용 때문에 비효율적일 수 있다는 문제점을 지적한다. 이를 해결하기 위해, 본 논문은 컨텍스트 인식 네트워크 모델링 및 예측을 위한 그래프 신경망(GNN) 기반 모델 학습 및 추론 프레임워크의 혁신적인 에너지 효율적인 동적 오케스트레이션을 제안한다. QAG라고 하는 저복잡도 솔루션 프레임워크를 개발하여 양자 근사 최적화(QAO) 알고리즘을 GNN 기반 네트워크 모델링의 적응형 오케스트레이션에 활용한다. 다수의 컴퓨팅 노드를 가진 다중 애플리케이션 시스템을 나타내는 3부 그래프 모델을 활용하고, QAO를 이용한 제약 조건이 있는 그래프 절단을 적용하여 GNN 기반 모델의 에너지 효율적인 구성을 찾아 네트워크 모델링 애플리케이션 요구 사항을 충족하도록 사용 가능한 컴퓨팅 노드에 배포한다. 제안된 QAG 방식은 최적값과 매우 유사하며, 애플리케이션 요구 사항을 충족하면서 60% 낮은 churn-rate로 최소 50%의 에너지 절약을 제공한다.
