[論文レビュー] HyMER: A Hybrid Machine Learning Framework for Energy Efficient Routing in SDN.

Beakal Gizachew Assefa, Öznur Özkasap|arXiv (Cornell University)|Aug 27, 2019

Software-Defined Networks and 5G参考文献 20被引用数 9

ひとこと要約

HyMER は、特徴量圧縮とパラメータ予測に教師あり学習を、動的適応に強化学習を組み合わせた、SDNにおけるエネルギー効率の良いルーティングのための革新的なハイブリッド機械学習フレームワークである。従来の最先端手法と比較して、特徴量サイズを最大70%削減し、予測精度が80%以上に達し、リンク使用量を50%削減し、消費電力も14.7W削減した。

ABSTRACT

Software-defined networks (SDN) with programmable data plane and machine learning for discovering patterns are utilized in security, traffic classification, quality of services prediction, and network performance, that has increasing research attention. Addressing the significance of energy efficiency in networks, we propose a novel hybrid machine learning-based framework named HyMER that combines the capabilities of SDN and machine learning for traffic-aware energy efficient routing. To the best of our knowledge, HyMER is the first that utilizes a hybrid machine learning solution with supervised and reinforcement learning components for energy efficiency and network performance in SDN. The supervised learning component consists of feature extraction, training, and testing. The reinforcement learning component learns from existing data or from scratch by iteratively interacting with the network environment. The HyMER framework is developed on POX controller and is evaluated on Mininet using real-world topologies and dynamic traffic traces. Experimental results show that the supervised component achieves up to 70% feature size reduction and more than 80\% accuracy in parameter prediction. We demonstrate that combining the supervised and reinforcement methods not only does capture the dynamic change more efficiently but also increases the convergence speed. As compared to state-of-the-art utility based energy saving approaches, HyMER heuristics has shown up to 50% link saving, and also exhibits up to 14.7 watts less power consumption for realistic network topology and traffic traces.

研究の動機と目的

• 運用コストの削減と環境への影響低減を目的とした、ソフトウェア定義ネットワーク（SDN）におけるエネルギー効率の向上という急増するニーズに対応する。
• 動的変化するトラフィックパターンに適応できない既存のエネルギー節約手法の限界を克服する。
• 教師あり学習と強化学習を統合したハイブリッド機械学習フレームワークを構築し、SDNにおけるエネルギー効率とネットワーク性能の向上を図る。
• リアルタイムでトラフィックに適応したルーティング意思決定を可能にし、エネルギー消費を最適化しながら高いパフォーマンスを維持する。

提案手法

• 特徴量圧縮を最大70%まで達成するため、特徴抽出、学習、テストに教師あり学習を活用する。
• ネットワーク環境と相互作用することで、反復的に最適なルーティング方針を学習する強化学習を活用する。
• 両学習モジュールを統合し、動的トラフィック変化への収束速度と適応性を向上させる。
• POXコントローラーにフレームワークを実装し、実世界のトポロジーと動的トラフィックトレースを用いてMininetで評価する。
• 教師あり学習によるパラメータ予測結果を、強化学習のポリシー探索を誘導する入力として活用する。
• 教師あり学習が初期ポリシー推定をインフォームドに提供することで、強化学習プロセスを加速するハイブリッドアーキテクチャを設計する。

実験結果

リサーチクエスチョン

• RQ1 教師あり学習と強化学習を統合したハイブリッド機械学習フレームワークは、SDNにおけるエネルギー効率の向上に寄与するか？
• RQ2 教師あり学習モジュールは、特徴量サイズの縮小とネットワークパラメータの正確な予測においてどの程度効果的か？
• RQ3 教師あり学習と強化学習の統合は、収束速度と動的トラフィックへの適応性をどの程度向上させるか？
• RQ4 ユーティリティベースの最先端エネルギー節約手法と比較して、HyMER はリンク利用効率と消費電力の点でどの程度優れているか？

主な発見

• 教師あり学習モジュールは、ネットワークパラメータの予測精度が80%以上を維持しながら、最大70%の特徴量サイズ削減を達成した。
• 教師あり学習によるインフォームドな初期化のおかげで、強化学習単体と比較して収束速度が著しく向上した。
• 実世界のネットワークトポロジーにおいて、動的トラフィック条件下でHyMERは最大50%のリンク使用量削減を達成した。
• 最先端のユーティリティベースのエネルギー節約手法と比較して、消費電力は最大14.7W削減した。
• 両学習パラダイムの統合により、単独で使用する場合よりも、動的トラフィック変化への効率的適応が可能になった。
• 実世界のトポロジーを用いたMininetでの評価により、多様なトラフィックワークロード下でもフレームワークのスケーラビリティと頑健性が確認された。