[論文レビュー] Cognitive Routing with Stretched Network Awareness through Hidden Markov Model Learning at Router Level

T. R. Gopalakrishnan Nair, M. Jayalalitha+1 more|arXiv (Cornell University)|Jan 21, 2010

Software-Defined Networks and 5G参考文献 6被引用数 9

ひとこと要約

本論文は、ルーター単位で隠れマルコフモデル（HMM）を用いて前方チャネルの性能を予測し、能動的で知的な経路選択を可能にする認知ルーティングフレームワークを提案する。HMMを用いて前方チャネル性能インデックス（FCPI）を学習・共有することで、ルーターは「拡張されたネットワーク認識」を達成し、最小限のオーバーヘッドで予測的でマルチホップにわたるネットワーク認知を実現し、パケット損失や遅延を低減する。

ABSTRACT

The routing of packets are generally performed based on the destination address and forward link channel available from the instantaneous Router without sufficient cognizance of either the performance of the forward Router or forward channel characteristics. The lack of awareness of forward channel property can lead to packet loss or delayed delivery leading to multipleretransmissions or routing to an underperforming pathway. This paper describes an application of Cognitive Network to improve the network performance by implementing a Hidden Markov Model (HMM) algorithm for learning and predicting the performance of surrounding routers continuously while a routing demand is initiated. The cognition segment/domain of every router can gain knowledge about the quality of forward network. The information of the current network conditions is shared between routers by the Forward Channel Performance Index FCPI. This enables complete cognition of surroundings and efficient delivery of messages in various paradigms of performance

研究の動機と目的

• 即時のリンクを超えて将来のネットワーク状態を把握できない従来のルーターの限界に対処すること。
• 下流のルーターおよびチャネル性能を無視することで生じるパケット損失、遅延、再送信の低減。
• ローカルトポロジーを超えて隣接ルーターの予測性能を含めたネットワーク認識を拡張することで、能動的ルーティング意思決定を可能にすること。
• HMMとルーター間で共有される前方チャネル性能インデックス（FCPI）を用いて、スケーラブルで低オーバーヘッドな認知メカニズムを実装すること。
• リアルタイムルーティング動作を損なわずにルーターアーキテクチャに認知学習と推論を統合すること。

提案手法

• 各ルーターは、隣接ルーターの送出チャネルの性能状態を学習・予測するための隠れマルコフモデル（HMM）を維持する。
• 前方チャネル性能インデックス（FCPI）は、機能的（1）または非機能的（0）なチャネルを示すバイナリーベクトルとして符号化された、チャネル状態のコンactで共有可能な表現である。
• 認知パケットを定期的に隣接ルーター間で交換することで、最小限の帯域幅使用量でマルチホップ認識を実現する。
• 認知ドメインは低周波で動作し、高速ルーティングドメインとは分離されており、履歴および現在のFCPIデータに基づいて将来のネットワーク状態を予測するHMMを用いる。
• HMMの予測結果がルーティング意思決定プロセスをガイドし、予測性能に基づいて最適な次ホップ経路を提案できる。
• システムは認知ドメインに計画ユニットを統合し、QoSおよびポリシー制約を考慮した推論を実行し、ルーティングドメインに適切な助言を提供する。

実験結果

リサーチクエスチョン

• RQ1 ルーターは、直接の隣接ルーターを超えて、前方チャネルの性能をどのように能動的に予測できるか？
• RQ2 分散ルーティング環境において、低オーバーヘッドでスケーラブルなネットワーク全体の認識を実現するメカニズムは何か？
• RQ3 隠れマルコフモデル（HMM）は、複数ホップにわたる動的ネットワークチャネル状態を効果的にモデル化・予測するためにどのように活用できるか？
• RQ4 前方チャネル性能インデックス（FCPI）は、共有的で予測可能なネットワーク認知を可能にする役割を果たすか？
• RQ5 認知学習をリアルタイムルーティングから分離することで、性能を維持しつつ自己適応的行動を可能にする方法は何か？

主な発見

• HMMに基づく学習メカニズムにより、ルーターは前方チャネルの機能的状態を高い正確性で予測でき、反応的な再送信に依存するのを低減する。
• FCPIをチャネル状態の共有的でコンパクトな表現として用いることで、ルーターは最小限の帯域幅オーバーヘッドで下流ネットワーク状態の認識を維持できる。
• 提案手法を用いたルーターは、HMMからの予測を活用して、性能が低いか障害発生中のリンクを能動的に回避でき、エンドツーエンドの送信信頼性が向上する。
• 認知ドメインが低周波で動作することで、ルーターがルーティング階層において1段階上位のルーターの送出リンクの状態を予測する「拡張されたネットワーク認識」を実現する。
• 認知ドメインは低周波で独立して動作するため、高速ルーティング処理に影響を与えず、依然として予測的知能の恩恵を受けることができる。
• フレームワークは自己学習および自己再構成をサポートしており、ユーザーの介入なしに異常状態に適応可能であり、リアルタイムサービスのQoSを向上させる。