开源项目网址：https://github.com/FIGRET/figret
该项目在SIGCOMM2024发表，用深度学习方法处理流量工程中的突发问题
1. 创建新的 Conda 环境
使用国内镜像源创建环境
conda create -n figret python=3.8.0 --override-channels -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
2. 激活环境
conda activate figret
激活后，终端提示符会显示 (figret)，表示已进入该环境。
3. 安装 PyTorch 及相关库
(1) 根据 CUDA 版本安装 PyTorch
首先检查服务器的 CUDA 版本：
nvcc --version # 查看 CUDA 工具包版本（例如 11.8 或 12.1）
nvidia-smi # 查看驱动支持的最高 CUDA 版本
根据 CUDA 版本选择 PyTorch 安装命令：
- CUDA 11.8：
查看CUDA版本
(figret) antl@antl-node11:~$ nvcc --version
显示CUDA11.4，PyTorch 官方对 CUDA 11.4 的支持截至 1.12.1（2022年7月）
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 \
--extra-index-url https://download.pytorch.org/whl/cu113
验证pytorch
(2) 安装 torch-scatter 和 torch-sparse
命令行安装会出现找不到版本的问题，这里需要访问以下网址手动安装：
https://data.pyg.org/whl/torch-1.12.1%2Bcu113.html
进入whl所在文件夹手动安装
pip install torch_scatter-2.0.9-cp38-cp38-linux_x86_64.whl
pip install torch_sparse-0.6.14-cp38-cp38-linux_x86_64.whl
验证是否配置成功
import torch
from torch_scatter import scatter_add
from torch_sparse import SparseTensorprint(scatter_add) # 输出函数地址
print(SparseTensor) # 输出类地址
4. 安装其他依赖包
# 进入 FIGRET 项目目录（假设 requirements.txt 在项目根目录）
cd /path/to/figret_project# 安装依赖包
pip install -r requirements.txt
5. 安装 Gurobi 求解器
(1) 下载并安装 Gurobi
下载地址：https://www.gurobi.com/downloads/gurobi-software/
# 解压到 /opt（需要 sudo 权限）
#注意gurobi11.0.3是下载的版本
sudo tar -xvzf gurobi11.0.3_linux64.tar.gz -C /opt# 添加环境变量
echo "export GUROBI_HOME=/opt/gurobi1102/linux64" >> ~/.bashrc
echo "export PATH=${PATH}:${GUROBI_HOME}/bin" >> ~/.bashrc
echo "export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:${GUROBI_HOME}/lib" >> ~/.bashrc
source ~/.bashrc
注意环境变量是在主环境配置的，可以作用于所有环境
(2) 申请学术许可证
-
访问 Gurobi 学术许可页面，注册并获取许可证密钥。
这里如果校园网网址无法被自动解析为校园网，需要发邮件申请
申请流程非常快，笔者这边仅5分钟就收到了回信 -
在服务器上运行以下命令激活许可证：
cd $GUROBI_HOME/binsudo ./grbgetkey 密钥
6. 验证环境
回到figret环境
conda activate figret
运行开源项目：
python3 figret.py --topo_name Facebook_pod_a --epochs 3 --batch_size 32 --alpha 0.03
运行正常
