Modern computer and communication networks are evolving toward unprecedented scale and heterogeneity, driven by advances in Internet of Things (IoT), cloud/edge computing, and 6G. Managing these networks efficiently requires solving large-scale combinatorial optimization problems (COPs) under application-level constraints. Traditional heuristic approaches, while practical, often exhibit poor scalability, leading to sub-optimal resource utilization. This dissertation explores how machine learning, in particular graph representation learning, can automate and scale the process of solving such COPs in networking. We first survey the foundations of learning combinatorial optimization on graphs, identifying key opportunities where Graph Neural Networks (GNNs) can outperform handcrafted heuristics in terms of scalability and adaptability for the networking domain. We then introduce DeepGANTT, a self-attention GNN-based scheduler for IoT networks augmented with battery-free backscatter tags. Trained on optimal schedules derived from small network instances (up to 10 nodes), DeepGANTT generalizes to larger networks up to 60 nodes without retraining, achieving near-optimal performance within 3% of the optimum and reducing energy and spectrum utilization by up to 50% compared to the best-performing heuristic. We further improve the generalization to larger problem instances with RobustGANTT, a next-generation GNN scheduler that integrates improved graph positional encodings and further multi-head attention mechanisms. RobustGANTT demonstrates consistent generalization across independent training rounds and scales to networks 100× larger than training topology sizes, computing schedules for up to 1000 IoT nodes and hundreds of sensor tags. It achieves up to 2× energy and spectrum savings and a 3.3× reduction in runtime over DeepGANTT, with polynomial-time complexity enabling responsiveness to network dynamics. Beyond performance gains, we offer empirical and theoretical insights into the stability and generalization behavior of learning-based scheduling. By uniting graph-based combinatorial optimization with deep learning, this dissertation advances sustainable and adaptive network management, paving the way for energy-efficient networked systems.

Moderna dator- och kommunikationsnätverk utvecklas mot en aldrig tidigare skådad skala och heterogenitet, drivna av framsteg inom Internet of Things (IoT), moln- och kantberäkning samt 6G. En effektiv hantering av dessa nätverk kräver lösning av storskaliga kombinatoriska optimeringsproblem (COP) under tillämpningsspecifika begränsningar. Traditionella heuristiska metoder är ofta praktiskt användbara, men uppvisar begränsad skalbarhet, vilket leder till suboptimalt resursutnyttjande. Denna avhandling undersöker hur maskininlärning, i synnerhet grafbaserad representationsinlärning, kan automatisera och skala processen för att lösa sådana COP inom nätverkssystem. Vi inleder med en översikt av grunderna i lärande med avseende på kombinatorisk optimering av grafer. Vi identifierar viktiga möjligheter för grafneurala nätverk (GNN) att överträffa handkonstruerade heuristiker vad gäller skalbarhet och anpassningsförmåga inom nätverksdomänen. Därefter introducerar vi DeepGANTT, en Attention-baserad GNN schemaläggare för IoT-nätverk, förstärkt med batterilösa bakscatter-taggar. Systemet tränas på optimala scheman från små nätverksinstanser (upp till 10 noder), men generaliserar utan omträning till större nätverk med upp till 60 noder. Systemet uppnår nära optimal prestanda (inom 3% från optimum) samtidigt som energi- och spektrumutnyttjandet reduceras med upp till 50% jämfört med den bästa existerande heuristiken. Vi förbättrar därefter generaliseringen till ännu större probleminstanser med RobustGANTT, en nästa generations GNN-schemaläggare som integrerar förbättrade grafbaserade positionskodningar och Attention-mekanismer med flerahuvuden. RobustGANTT uppvisar konsekvent generalisering över oberoende träningsomgångar och skalar till nätverk som är 100× större än träningsstorlekarna, med möjligheten att beräkna scheman för upp till 1000 IoT-noder och hundratals sensortaggar. Systemet uppnår upp till 2× besparingar i energi- och spektrumutnyttjande samt en 3.3× minskning i exekveringstid jämfört med DeepGANTT, med polynomiell tidskomplexitet som möjliggör snabb anpassning till nätverksdynamiken. Utöver prestandaförbättringar ger vi även empiriska och teoretiska insikter i stabilitets- och generaliseringsbeteendet hos lärandebaserad schemaläggning. Genom att förena grafbaserad kombinatorisk optimering med djupinlärning bidrar denna avhandling till hållbar och adaptiv hantering av nätverk och banar väg för energieffektiva nätverkssystem.