[論文レビュー] Neural Network Tomography

Liang Ma, Ziyao Zhang+1 more|arXiv (Cornell University)|Jan 9, 2020

Internet Traffic Analysis and Secure E-voting参考文献 79被引用数 10

ひとこと要約

NeuTomographyは、トポロジー知識、プロトコル支援、メトリクス固有の仮定に依存せずに、サンプル化されたノードペアのエンドツーエンド測定のみを用いて、測定されていない経路のパフォーマンスメトリクスを推定し、ネットワークトポロジーを再構築する汎用的でディープラーニングベースのフレームワークを提案する。最適なサンプリング条件下で、性能予測およびトポロジー再構築の両面で最先端の精度を達成し、FNRとFPRは4%未満である。

ABSTRACT

Network tomography, a classic research problem in the realm of network monitoring, refers to the methodology of inferring unmeasured network attributes using selected end-to-end path measurements. In the research community, network tomography is generally investigated under the assumptions of known network topology, correlated path measurements, bounded number of faulty nodes/links, or even special network protocol support. The applicability of network tomography is considerably constrained by these strong assumptions, which therefore frequently position it in the theoretical world. In this regard, we revisit network tomography from the practical perspective by establishing a generic framework that does not rely on any of these assumptions or the types of performance metrics. Given only the end-to-end path performance metrics of sampled node pairs, the proposed framework, NeuTomography, utilizes deep neural network and data augmentation to predict the unmeasured performance metrics via learning non-linear relationships between node pairs and underlying unknown topological/routing properties. In addition, NeuTomography can be employed to reconstruct the original network topology, which is critical to most network planning tasks. Extensive experiments using real network data show that comparing to baseline solutions, NeuTomography can predict network characteristics and reconstruct network topologies with significantly higher accuracy and robustness using only limited measurement data.

研究の動機と目的

• 既存のネットワークトポロジー推定手法が強い仮定（既知のトポロジー、プロトコル支援、加法的メトリクスなど）に依存する実用的制限を解消すること。
• 特別なルーティングや測定ツールを必要とせず、加法的・非加法的両方のパフォーマンスメトリクスに適用可能な汎用フレームワークを構築すること。
• ノードペア間の少量のエンドツーエンド測定のみを用いて、測定されていない経路のパフォーマンスメトリクスを正確に予測すること。
• エンドツーエンド測定からノードペア間の非線形関係と潜在的なネットワーク構造を学習し、限られた測定データからネットワークトポロジーを再構築すること。
• アクティブなパフォーマンス境界推定によるデータ拡張を通じて、モデルの耐障害性と一般化性能を向上させること。

提案手法

• NeuTomographyは、ノードペアとそのエンドツーエンドパフォーマンスメトリクスの間の非線形関係を学習するディープニューラルネットワークを採用し、測定されていない経路の推定を可能にする。
• 限られた学習データで過学習を抑えるために、アクティブなパフォーマンス境界推定を用いたデータ拡張を実施し、モデルの一般化性能を向上させる。
• エンドツーエンド測定から拡張された隣接行列を予測することで、ネットワーク構造の事前知識なしにトポロジーを再構築する。
• モデルは、リンクレベルやホップバイホップのデータを一切必要とせず、ソース・ディスティネーションノードペアとその測定パフォーマンスメトリクスの入出力ペアのみで学習される。
• トポロジー再構築の精度評価にはFPRとFNRを用い、FPRは隣接行列における偽陽性の割合、FNRは偽陰性の割合を測定する。
• メトリクスタイプ（加法的または非加法的）に依存しないため、遅延、損失、混雑などの多様なパフォーマンス特性を統合的に扱える。

実験結果

リサーチクエスチョン

• RQ1 既知のトポロジー、プロトコル支援、メトリクス固有の仮定に依存せずに、ディープラーニングフレームワークが測定されていないネットワークパフォーマンスメトリクスを推定できるか？
• RQ2 少量のエンドツーエンド測定のみを用いて、NeuTomographyはどの程度正確に経路パフォーマンスメトリクスを予測できるか？
• RQ3 限られた測定データから、NeuTomographyは元のネットワークトポロジーをどの程度正確に再構築できるか？
• RQ4 ランダムまたはモニタベースの選択といった異なるサンプリング戦略下でのフレームワークの性能はいかがなものか？
• RQ5 パフォーマンス境界推定によるデータ拡張は、モデルの耐障害性と予測精度にどのような影響を与えるか？

主な発見

• ランダムサンプリング条件下で30%のノードペアが測定された場合、NeuTomographyはトポロジー再構築においてFNRとFPRが4%未満を達成し、高い再構築精度を示した。
• AS15706のような密度の高いネットワークでは、1つの測定セット（m=1）でも正確なトポロジー再構築が可能であり、密度の高いトポロジーにおける高い耐障害性を示している。
• NMFやNeuMFといったベンチマーク手法と比較して、性能予測およびトポロジー再構築の両面で顕著に優れており、精度のオーダーが桁違いに向上している。
• モニタベースのサンプリングを用いる場合、PAT（経路認識型サンプリング）によりm≥2でFNRが15%未満に低下し、現実の測定制約下でも優れた性能を発揮している。
• アクティブなパフォーマンス境界推定によるデータ拡張は、特に測定データが限られた状況下で、モデルの一般化性能を向上させ、過学習を低減する。
• NeuTomographyはネットワークパrameterの誤差に対しても耐障害性を示し、加法的・非加法的両方のパフォーマンスメトリクスで高い精度を維持している。