[論文レビュー] Quality and Cost of Deterministic Network Calculus - Design and Evaluation of an Accurate and Fast Analysis

Steffen Bondorf, Paul Nikolaus+1 more|arXiv (Cornell University)|Mar 7, 2016

Formal Methods in Verification被引用数 6

ひとこと要約

本稿は、PMOOおよびLUDBの原則にインspiredされた構成的で包括的な分解戦略を用いて、従来のalgDNCおよび既存の最適化ベースのアプローチのスケーラビリティと精度の限界を克服する、新たな代数的決定的ネットワーク計算（algDNC）アルゴリズムを提案する。このアルゴリズムは、ULPヒューリスティックからの平均1.142%の偏差というほぼ最適な精度を達成すると同時に、計算時間を数個のオーダー単位で短縮する。

ABSTRACT

Networks are integral parts of modern safety-critical systems and certification demands the provision of guarantees for data transmissions. Deterministic Network Calculus (DNC) can compute a worst-case bound on a data flow's end-to-end delay. Accuracy of DNC results has been improved steadily, resulting in two DNC branches: the classical algebraic analysis and the more recent optimization-based analysis. The optimization-based branch provides a theoretical solution for tight bounds. Its computational cost grows, however, (possibly super-)exponentially with the network size. Consequently, a heuristic optimization formulation trading accuracy against computational costs was proposed. In this paper, we challenge optimization-based DNC with a new algebraic DNC algorithm. We show that: (i) no current optimization formulation scales well with the network size and (ii) algebraic DNC can be considerably improved in both aspects, accuracy and computational cost. To that end, we contribute a novel DNC algorithm that transfers the optimization's search for best attainable delay bounds to algebraic DNC. It achieves a high degree of accuracy and our novel efficiency improvements reduce the cost of the analysis dramatically. In extensive numerical experiments, we observe that our delay bounds deviate from the optimization-based ones by only 1.142% on average while computation times simultaneously decrease by several orders of magnitude.

研究の動機と目的

• 精度（品質）と計算コストのトレードオフに関する、決定的ネットワーク計算（DNC）解析の包括的評価の欠如に取り組むこと。
• 大規模ネットワークに対して高精度が可能な唯一の方法は最適化ベースのDNC（例：ULP）であるという一般的な信念に挑戦すること。
• 古典的algDNCと既存のoptDNCヒューリスティクスを凌駆する、高精度かつ低計算コストを両立する、新たな代数的DNCアプローチを開発すること。
• 代数的DNCが、新たな分解および解法戦略を用いることで、精度と効率の両面で著しく改善可能であることを示すこと。

提案手法

• 本手法は、最適化から代数的合成への遅延バウンドの探索を再定式化し、PSOO違反を回避するためPMOO（サービスの部分順序最大化）の原則を活用する。
• フィードフォワードネットワークを、ネストされた干渉パターンを持つサブ・タンデムに包括的に分解することで、より正確な(min, +)方程式を導出し、解くことを可能にする。
• アルゴリズムは、各タンデムについて、すべての有効な分解代替案を体系的に列挙し、それぞれの分解に対して遅延バウンドを計算した後、最小バウンドを選択することで、従来の代数的手法を上回るきめ細かな結果を保証する。
• LUDBおよびPMOO解析からの技術を統合・拡張するが、組み合わせ的爆発やPMOO準拠の欠如といったそれらの制限を回避する。
• 本手法は、9種類のトポロジーサイズにわたる12,376件のフロー遅延バウンドを含む、新たに作成されたベンチマークセットを用いて評価され、ULPおよび他のDNCバージョンと包括的な比較が可能である。
• アルゴリズムの最適化と、高コストな線形計画法の回避により、より大きなネットワークへのスケーラビリティが達成される。

実験結果

リサーチクエスチョン

• RQ1 ULPヒューリスティックは、最効率な最適化ベースDNC手法とされているが、実際には中程度のサイズのネットワークに対してもスケーラブルであるのだろうか？
• RQ2 計算コストが著しく増大するリスクを伴わずに、代数的DNCの精度を著しく向上させ、最適化ベース手法と同等の性能を達成できるのだろうか？
• RQ3 既存のDNC解析手法において、精度と計算コストの真のトレードオフ関係は何か？
• RQ4 構成的分解とPMOO原則を活用することで、新たな代数的DNC定式化が、高精度と低計算コストの両方を達成できるのだろうか？

主な発見

• 従来、高精度な唯一の実行可能手法であると信じられていたULPヒューリスティックは、中程度のサイズのネットワークに対しても計算的に非現実的であり、実用的な限界を超えて計算時間が増大することが判明した。
• 古典的代数的DNC（例：SFA）はULPに比べて著しく精度が低く、評価されたネットワークでは平均で15.2%の偏差、最大で72.65%の偏差を示した。
• 提案された新たな代数的DNCアルゴリズムは、ULPバウンドからの平均偏差がわずか1.142%にとどまり、精度においてほぼ最適性を達成している。
• 新アルゴリズムの計算時間はULPと比較して数個のオーダー単位で短縮されており、大規模なフィードフォワードネットワークへの適用が現実可能になった。
• 本手法は、SFAおよびULPの両方を上回る品質-コストトレードオフを達成しており、高精度かつ計算的に現実可能な唯一の解析手法となった。
• 本研究は、既存のDNC解析が不十分に評価されていることを明らかにした。提案手法は、最適化ベースのアプローチに対するスケーラブルで正確かつ効率的な代替手法を提供する、重要な空白を埋めている。