[論文レビュー] Predicting traffic overflows on private peering

Elad Rapaport, Ingmar Poese+3 more|arXiv (Cornell University)|Oct 3, 2020

Image and Video Quality Assessment参考文献 30被引用数 4

ひとこと要約

本論文は、大手コンテンツプロバイダーとISP間のプライベートピアリングリンクにおける短時間（2–6時間）のトラフィックオーバーフローを予測するアンサンブルディープラーニングモデルを提案する。80%の真正陽性率と5%の偽陽性率を達成した。この手法は、歴史的なNetFlowデータを用いてオーバーフローイベントを予測し、リスクを受ける特定の相互接続を同定する。これにより、サービスの中断やコストを低減するための予防的対策が可能になる。

ABSTRACT

Large content providers and content distribution network operators usually connect with large Internet service providers (eyeball networks) through dedicated private peering. The capacity of these private network interconnects is provisioned to match the volume of the real content demand by the users. Unfortunately, in case of a surge in traffic demand, for example due to a content trending in a certain country, the capacity of the private interconnect may deplete and the content provider/distributor would have to reroute the excess traffic through transit providers. Although, such overflow events are rare, they have significant negative impacts on content providers, Internet service providers, and end-users. These include unexpected delays and disruptions reducing the user experience quality, as well as direct costs paid by the Internet service provider to the transit providers. If the traffic overflow events could be predicted, the Internet service providers would be able to influence the routes chosen for the excess traffic to reduce the costs and increase user experience quality. In this article we propose a method based on an ensemble of deep learning models to predict overflow events over a short term horizon of 2-6 hours and predict the specific interconnections that will ingress the overflow traffic. The method was evaluated with 2.5 years' traffic measurement data from a large European Internet service provider resulting in a true-positive rate of 0.8 while maintaining a 0.05 false-positive rate. The lockdown imposed by the COVID-19 pandemic reduced the overflow prediction accuracy. Nevertheless, starting from the end of April 2020 with the gradual lockdown release, the old models trained before the pandemic perform equally well.

研究の動機と目的

• ハイパーギアントコンテンツ需要の急増による、プライベートピアリングリンクにおけるトラフィックオーバーフローのリスク増加に対処すること。
• サービス品質の低下やトランジットコストの発生を防ぐために、ISPがオーバーフローイベントを事前に緩和できること。
• 2–6時間先の短時間予測モデルを構築し、オーバーフローのリスクがある特定の相互接続を同定すること。
• COVID-19パンデミックのような異常な状況下でもモデルの頑健性を評価すること。
• コンテンツプロバイダーとの連携に基づく、実行可能な対策戦略を提案すること。

提案手法

• 2.5年分のヨーロッパISPのNetFlowデータを用いて、ディープニューラルネットワークのアンサンブルを訓練し、プライベートピアリングリンクにおけるトラフィックオーバーフローを予測する。
• 予測のための入力として、直近の時間帯の時系列的特徴と週単位のパターンを用い、オーバーフロー量とイベント発生の確率を予測する。
• 回帰モデルを用いて、オーバーフローのトラフィック量とイベントの発生（バイナリ）を同時に予測する。
• モデルの解釈可能性技術を適用し、予測が特に最近のデータと前週のデータに基づく意味のある時系列パターンに依存していることを検証する。
• BGPやALTOなどの利用可能な通信メカニズムを活用して、トラフィックのルーティング再配分を実現するためのアクションキューを構築する。
• リアルタイム予測と自動化されたアクションスケジューリングをサポートし、再トレーニングのための長期的データログを保持する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、最大6時間先のプライベートピアリングトラフィックオーバーフローを正確に予測できるか？
• RQ2 オーバーフローイベントを予測する上で、どの時系列特徴が最も影響力を持つか？
• RQ3 COVID-19パンデミックのような異常なトラフィック状況下では、モデルのパフォーマンスはどの程度低下するか？
• RQ4 モデルは、オーバーフローが発生する可能性のある特定の相互接続を同定でき、ターゲットドリブンの緩和戦略を可能にするか？
• RQ5 ISPが予測されたオーバーフローに応じてコンテンツプロバイダーと協働するための実行可能な通信およびアクションメカニズムは何か？

主な発見

• モデルはオーバーフローイベントの予測において真正陽性率0.8（80%）を達成した一方で、偽陽性率は0.05（5%）を維持した。
• COVID-19パンデミックのピーク期には、前例のないトラフィックパターンのため、モデルのパフォーマンスが低下した。
• ロックダウン措置の解除後、パフォーマンスはパンデミック以前の水準まで回復し、モデルの適応性が示された。
• モデルの解釈可能性分析から、予測は予測時刻の2–6時間前までのデータと前週のデータに最も感度が高いことが明らかになった。
• モデルは、オーバーフローのリスクがある特定の相互接続を正確に同定でき、ターゲットドリブンの緩和戦略を可能にした。
• BGPおよびALTOベースの帯外チャネルの統合により、スケーラブルかつ柔軟なトラフィックルーティング協働が実現可能になった。