[論文レビュー] Auto-Scaling Network Resources using Machine Learning to Improve QoS and Reduce Cost

Sabidur Rahman, Tanjila Ahmed+3 more|arXiv (Cornell University)|Aug 9, 2018

Software-Defined Networks and 5G参考文献 19被引用数 9

ひとこと要約

本論文は、履歴的なトラフィックパターンとシステム特性を用いて最適なVNFインスタンス数を予測する、プロアクティブな機械学習（ML）ベースの自動スケーリングフレームワークを提案する。自動スケーリングを教師あり分類問題として扱うことで、QoSの向上と運用コストの削減を実現し、Xen、KVM、Docker、LXCといった多様な仮想化技術において高い精度を達成。特徴量工学、学習曲線分析、PCAに基づく特徴量選択を活用し、反応型アプローチを上回る性能を発揮する。

ABSTRACT

Virtualization of network functions (as virtual routers, virtual firewalls, etc.) enables network owners to efficiently respond to the increasing dynamicity of network services. Virtual Network Functions (VNFs) are easy to deploy, update, monitor, and manage. The number of VNF instances, similar to generic computing resources in cloud, can be easily scaled based on load. Hence, auto-scaling (of resources without human intervention) has been receiving attention. Prior studies on auto-scaling use measured network traffic load to dynamically react to traffic changes. In this study, we propose a proactive Machine Learning (ML) based approach to perform auto-scaling of VNFs in response to dynamic traffic changes. Our proposed ML classifier learns from past VNF scaling decisions and seasonal/spatial behavior of network traffic load to generate scaling decisions ahead of time. Compared to existing approaches for ML-based auto-scaling, our study explores how the properties (e.g., start-up time) of underlying virtualization technology impacts Quality of Service (QoS) and cost savings. We consider four different virtualization technologies: Xen and KVM, based on hypervisor virtualization, and Docker and LXC, based on container virtualization. Our results show promising accuracy of the ML classifier using real data collected from a private ISP. We report in-depth analysis of the learning process (learning-curve analysis), feature ranking (feature selection, Principal Component Analysis (PCA), etc.), impact of different sets of features, training time, and testing time. Our results show how the proposed methods improve QoS and reduce operational cost for network owners. We also demonstrate a practical use-case example (Software-Defined Wide Area Network (SD-WAN) with VNFs and backbone network) to show that our ML methods save significant cost for network service leasers.

研究の動機と目的

• 動的ネットワーク環境における反応型でしきい値ベースの自動スケーリングの限界を解決すること。
• 履歴データとシステム特性を用いてトラフィック変化を予測する、プロアクティブなMLベースの自動スケーリングシステムの開発。
• ハイパーバイザーとコンテナの異なる仮想化技術（Xen、KVM、Docker、LXC）が自動スケーリングの正確性、QoS、コストに与える影響を評価すること。
• 実用的導入を念頭に、特徴量の重要度、学習曲線、モデルの学習・テスト効率に関する詳細な分析を実施すること。
• VNFおよびバックボーンネットワークを用いた実世界のSD-WANユースケースにおいて、コストとQoSの向上を実証すること。

提案手法

• 自動スケーリング問題を、必要なVNFインスタンス数を出力とする教師あり機械学習分類タスクに再定式化する。
• 将来のトラフィック負荷予測に基づき、QoSを最優先とするML（QML）と運用コストを最小化するML（CML）の2つの分類戦略を定義する。
• 入力特徴量には、時系列的属性（日付、時刻、平日/休日）と、複数の時間ウィンドウにおける最近のトラフィック負荷値および変化量（最大27の特徴量）を含む。
• 実際のISPトラフィックトレースを用いてML分類器を学習し、WEKAから選ばれた上位7つのアルゴリズムを用い、正解率、適合率、F1スコアを評価指標とする。
• 特徴量選択、主成分分析（PCA）、学習曲線分析を適用し、特徴量の影響とモデルの収束性を評価する。
• リアルタイムでの実装可能性を評価するため、学習およびテスト時間の測定を実施し、実際のSD-WANユースケース（VNFおよびバックボーンネットワークを含む）で手法の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 プロアクティブなMLベースの自動スケーリングアプローチは、反応型しきい値ベースの手法と比較して、QoSの向上と運用コストの削減にどの程度寄与するか？
• RQ2 Xen、KVM、Docker、LXCといった異なる仮想化技術が、自動スケーリングの正確性とパフォーマンスに与える影響は何か？
• RQ3 時系列的およびトラフィックベースの特徴量のうち、どの組み合わせがVNFスケーリング意思決定における最高の分類精度を達成するか？
• RQ4 学習データサイズと特徴量選択が、モデルの学習および一般化に与える影響は何か？
• RQ5 QMLとCML戦略を用いる際の、QoSとコスト削減のトレードオフは何か？

主な発見

• 提案されたMLベースの自動スケーリングフレームワークは、最適なVNFインスタンス数の予測において高い分類精度を達成し、QoSの向上とコスト削減を顕著に実現した。
• QMLは将来のトラフィックピークを優先することで、CMLよりもQoSの維持において優れた性能を示した一方、CMLは過剰資源割り当てを低減し、運用コストの削減に貢献した。
• 時系列パターン（例：時刻、曜日）とトラフィック変化トレンド（例：過去の時間間隔におけるΔλ）を組み込んだ特徴量工学により、モデルの精度が顕著に向上した。
• 学習曲線分析から、中程度の学習データサイズでモデル性能が安定化することが示され、実際のISPトレースを用いた効率的な学習が可能であることが確認された。
• PCAと特徴量選択により、最近のトラフィック変化と時刻パターンが予測に最も寄与することが同定され、その重要性が裏付けられた。
• 学習およびテスト時間は実用的な範囲内に収まっており、生産環境のネットワーク環境におけるリアルタイム導入の可能性が示された。