[論文レビュー] AMPF: Application-aware Multipath Packet Forwarding using Machine Learning and SDN

Thomas Valerrian Pasca S, Siva Sairam Prasad+1 more|arXiv (Cornell University)|Jun 18, 2016

Software-Defined Networks and 5G参考文献 9被引用数 5

ひとこと要約

本稿では、機械学習（C4.5決定木）とSDNを用いて、44個のnetflowパラメータに基づきネットワークフローを分類し、QoS要件に応じて動的に最適な経路に割り当てるアプリケーション対応のマルチパスパケット転送フレームワークAMPFを提案する。本システムはDPIやパケット検査に依存せずにフローの優先順位を設定することで、スループットと遅延に顕著な改善をもたらし、mininetエミュレーションにおいて従来の構成を上回る性能を示した。

ABSTRACT

This paper proposes an application-aware multipath packet forwarding framework that integrates Machine Learning Techniques (MLT) and Software Defined Networks (SDN). As the Internet provides a variety of services and their performance requirement has become heterogeneous, it is common to come across the scenario of multiple flows competing for a constrained resource such as bandwidth, less jitter or low latency path. Such factors are application specific requirement that is beyond the knowledge of a simple combination of protocol type and port number. Better overall performance could be achieved if the network is able to prioritize the flows and assign resources based on their application specific requirement. Our system prioritizes each of the flows using MLT and routes it through a path according to the flow priority and network state using SDN. The proof of concept implementation has been done on OpenvSwitch and evaluation results involving a large number of flows exhibited a significant improvement over the traditional network setup. We also report that the port number and protocol are not contributing to determine the application in the decision-making process of Machine Learning (ML).

研究の動機と目的

• 現代のネットワークにおけるアプリケーションごとの帯域幅、遅延、ジタの要件の多様性に起因するQoS要件の不均一性に対処すること。
• Deep Packet Inspection（DPI）やポート/プロトコルのヒューリスティクスに依存せずに、SDNにおけるアプリケーション対応のトラフィック分類を可能にすること。
• SDNを用いて、リアルタイムのネットワーク状態とアプリケーションの優先度に基づき、フローに最適なネットワーク経路を動的に割り当てること。
• MLベースのフローカテゴリズェーションとSDNベースの経路選択を統合することで、マルチパスネットワークにおけるエンドツーエンドのパフォーマンスを向上させること。
• 実世界のネットワーク環境において、能動的で中央集権的かつスケーラブルなQoS対応マルチパス転送システムの実現可能性と有効性を実証すること。

提案手法

• 本システムは、ポートやプロトコルを除く44個のnetflowパラメータに基づき、優先度クラスに分類するための教師あり機械学習アプローチ（C4.5決定木）を採用する。
• 機械学習トレーナー（MLT）が履歴フローデータを用いて分類器を学習し、機械学習分類器（MLC）がSDNコントローラーで実行され、リアルタイムでフロークラスを予測する。
• SDNコントローラーは、送信元と宛先間のすべての経路における利用可能帯域幅や遅延を含むリアルタイムのネットワーク状態を収集する。
• フローの優先度クラスと経路状態に基づき、コントローラーは経路選択ポリシーを用いて各フローに最も適した経路を割り当て、90秒ごとにフロールールを事前に更新する。
• フローの有効期限が切れる前に事前に経路を再割り当てすることで、TCPウィンドウの縮小を回避し、安定したスループットを維持する。
• 実装はOpenvSwitch上でmininetを用いたエミュレーション環境にデプロイされており、パケットタグの追加は不要で、従来のプロトコルと互換性を保っている。

実験結果

リサーチクエスチョン

• RQ1 ポート番号やプロトコルタイプに依存せずに、機械学習がネットワークアプリケーションを効果的に分類できるか。
• RQ2 アプリケーション対応のマルチパス転送は、従来の経路割り当てと比較して、スループットやジタといったQoS指標にどのように改善をもたらすか。
• RQ3 フローオリタリティとネットワーク状態に基づく能動的経路再割り当ては、TCPスループットの変動をどの程度低減するか。
• RQ4 Deep Packet Inspection（DPI）が欠如することで分類精度が損なわれるか、あるいは代替的なフローパラメータが十分な識別能を発揮できるか。
• RQ5 混合TCP/UDPトラフィックと新規フローの到着が想定される動的負荷条件下で、本システムはどのように動作するか。

主な発見

• AMPFシステムは、分類されていない構成と比較して、高優先度フロー（クラス1）のスループットが顕著に向上し、新規フローの導入時においてもクラス1フローのスループットが20 Mbpsを超えた。
• アプリケーション対応モードでは、クラス1フローが他のクラスと比較して著しく低いジタを示し、特に高負荷状態下でも遅延に敏感なアプリケーションへの効果的な優先順位付けが実証された。
• アプリケーション認識なしの状態では、ジタがクラス優先度とは無関係に変動し、高優先度フローがより大きな影響を受けることが判明した。これは、知能的な分類の必要性を示している。
• 90秒ごとの能動的経路再割り当てにより、TCPスループットの変動が最小限に抑えられ、安定した性能が維持された。
• ポート番号やプロトコルは、アプリケーション分類の有効な予測子ではなかった。MLモデルは、正確なフロー分類の実現のため、44個のnetflowパラメータにのみ依存していた。
• 複数の実験を通じて、スループットとジタの両面で明確なパフォーマンス向上が確認され、異種マルチパスネットワーク環境における本フレームワークの有効性が裏付けられた。