[論文レビュー] FALCON: Fast and Accurate Multipath Scheduling using Offline and Online Learning

H. Wu, Özgü Alay+3 more|arXiv (Cornell University)|Jan 22, 2022

Wireless Networks and Protocols被引用数 9

ひとこと要約

FALCON は、オフラインのメタラーニングとオンラインのファインチューニングを組み合わせることで、動的なネットワーク状態に迅速かつ正確に適応する学習ベースのマルチパススケジューラである。モバイルネットワークでは最先端のスケジューラーよりも最大23.6%優れており、適応時間も約8倍短縮される。

ABSTRACT

Multipath transport protocols enable the concurrent use of different network paths, benefiting a fast and reliable data transmission. The scheduler of a multipath transport protocol determines how to distribute data packets over different paths. Existing multipath schedulers either conform to predefined policies or to online trained policies. The adoption of millimeter wave (mmWave) paths in 5th Generation (5G) networks and Wireless Local Area Networks (WLANs) introduces time-varying network conditions, under which the existing schedulers struggle to achieve fast and accurate adaptation. In this paper, we propose FALCON, a learning-based multipath scheduler that can adapt fast and accurately to time-varying network conditions. FALCON builds on the idea of meta-learning where offline learning is used to create a set of meta-models that represent coarse-grained network conditions, and online learning is used to bootstrap a specific model for the current fine-grained network conditions towards deriving the scheduling policy to deal with such conditions. Using trace-driven emulation experiments, we demonstrate FALCON outperforms the best state-of-the-art scheduler by up to 19.3% and 23.6% in static and mobile networks, respectively. Furthermore, we show FALCON is quite flexible to work with different types of applications such as bulk transfer and web services. Moreover, we observe FALCON has a much faster adaptation time compared to all the other learning-based schedulers, reaching almost an 8-fold speedup compared to the best of them. Finally, we have validated the emulation results in real-world settings illustrating that FALCON adapts well to the dynamicity of real networks, consistently outperforming all other schedulers.

研究の動機と目的

• 時間変動するネットワーク状態、特に5G mmWaveおよびWLAN環境下における、マルチパススケジューラーの迅速かつ正確な適応の課題に対処すること。
• 動的状態で精度に欠けるルールベースのスケジューラーと、収束が遅いオンライン学習スケジューラーの限界を克服すること。
• オフラインメタラーニングを活用して粗いスケールのモデルを事前学習し、オンライン学習で細かいスケールのリアルタイムネットワーク状態に迅速に適応するスケジューラーを設計すること。
• ハイブリッド学習アプローチの有効性を、エミュレーション環境および実世界のネットワーク環境の両方で検証すること。
• 特にリソース制限のある環境においても、低システムオーバーヘッドと実用的な展開性を確保すること。

提案手法

• FALCON は、多様な歴史的ネットワーク状態上で事前にメタモデルをオフラインで学習させることで、粗いスケールのパターンを捉える。
• 新しいネットワーク状態に直面した際、FALCON は最も関連性の高いメタモデルをオンラインでファインチューニングし、タスク固有のスケジューリング方針を導出する。
• オンライン経験が継続的にフィードバックされ、オフラインメタモデルが更新されるクローズドループ学習メカニズムを維持する。
• リアルタイムフィードバックに基づいてパス選択意思決定を最適化するために、深層Qネットワーク（DQN）をオンライン学習コンponentとして使用する。
• 推論オーバーヘッドを最小限に抑えるために、軽量なニューラルネットワークアーキテクチャとして設計されている。
• システムのパフォーマンスはトレース駆動エミュレーションおよび実世界の展開を用いて評価され、適応性と効率性が検証されている。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドオフライン・オンライン学習アプローチは、動的5GおよびWLAN環境下でのマルチパススケジューリングの速度と正確性を向上させ得るか？
• RQ2 急激に変化するネットワーク状態下で、FALCON の適応時間は既存の学習ベースのスケジューラーと比べてどの程度異なるか？
• RQ3 スループットと信頼性の観点から、FALCON はルールベースおよび完全にオンライン学習に基づくスケジューラーをどの程度上回るか？
• RQ4 オンライン推論およびトレーニング中の CPU およびメモリ使用量という観点から、FALCON のシステムオーバーヘッドはどの程度か？
• RQ5 FALCON は、バルク転送やウェブサービスなどの異なるアプリケーションタイプにどの程度一般化できるか？

主な発見

• FALCON は、静的ネットワークでは最高の最先端スケジューラーより最大19.3%、モバイルネットワークでは最大23.6%高いスループットを達成した。
• FALCON は、最も高速な既存の学習ベーススケジューラーよりも適応時間で約8倍速くなった。
• FALCON の平均 CPU 使用率は minRTT よりわずかに3%高く、メモリ使用量も6%高いことから、最小限のシステムオーバーヘッドであることが示された。
• FALCON はバルクデータ転送やウェブサービスを含む多様なアプリケーションで一貫したパフォーマンスを維持し、優れた一般化能力を示した。
• 実世界での検証により、FALCON が動的ネットワーク状態にうまく適応し、すべてのベースラインスケジューラーを一貫して上回ることが確認された。
• オンラインとオフライン学習の間のクローズドループフィードバックメカニズムにより、時間の経過とともにメタモデルの継続的改善が可能になった。