[論文レビュー] RVH: Range-Vector Hash for Fast Online Packet Classification

Tong Shen, Gaogang Xie+5 more|arXiv (Cornell University)|Sep 16, 2019

Network Packet Processing and Optimization参考文献 34被引用数 5

ひとこと要約

RVHは、プレフィックス長分布に基づくルールのパーティショニングに範囲ベクトル（range-vector）を導入することで、ハッシュテーブルの数と衝突確率を低減し、高速なルール更新と高速パケット分類を両立する、新規なハッシュベースのパケット分類アルゴリズムを提案する。この手法は、最先端の手法と比較して分類処理が最大15.7倍速くなり、更新処理が2.3倍速く、メモリ使用量を44%まで削減する。

ABSTRACT

Packet classification according to multi-field ruleset is a key component for many network applications. Emerging software defined networking and cloud computing need to update the rulesets frequently for flexible policy configuration. Their success depends on the availability of the new generation of classifiers that can support both fast ruleset updating and high-speed packet classification. However, existing packet classification approaches focus either on high-speed packet classification or fast rule update, but no known scheme meets both requirements. In this paper, we propose Range-vector Hash (RVH) to effectively accelerate the packet classification with a hash-based algorithm while ensuring the fast rule update. RVH is built on our key observation that the number of distinct combinations of each field prefix lengths is not evenly distributed. To reduce the number of hash tables for fast classification, we introduce a novel concept range-vector with each specified the length range of each field prefix of the projected rules. RVH can overcome the major obstacle that hinders hash-based packet classification by balancing the number of hash tables and the probability of hash collision. Experimental results demonstrate that RVH can achieve the classification speed up to 15.7 times and the update speed up to 2.3 times that of the state-of-the-art algorithms on average, while only consuming 44% less memory.

研究の動機と目的

• 動的ネットワーク環境における、高速パケット分類と高速ルール更新を同時に達成するという長年の課題に取り組む。
• 従来のハッシュベースおよびツリー基地のパケット分類アルゴリズムにおける、分類速度と更新効率のトレードオフを克服する。
• 頻繁なルール更新をサポートしつつ、分類性能を損なわないスケーラブルでオンラインな分類器を設計する。
• プレフィックス長分布に基づく知的なルールパーティショニングにより、ハッシュ衝突を最小限に抑え、ハッシュテーブルの数を削減する。
• 実世界のクラウドおよびSDNワークロードにおける高スルーレートを維持しながら、メモリ使用量を最適化する。

提案手法

• フィールドプレフィックス長の分布に基づいてルールをグループ化する範囲ベクトルの概念を導入し、ルール空間の効率的パーティショニングを可能にする。
• 異種長プレフィックス環境におけるハッシュキー構築を支援するためのベースベクトルを用い、ハッシュ関数の効率を向上させる。
• 最適なハッシュテーブル数を特定するための解析的モデルを適用し、テーブル数と衝突確率のバランスを取ることで分類時間を最小化する。
• ハッシュテーブル間でのルールオーバーラップを低減するパーティショニング方針を適用し、ハッシュ衝突に起因する追加オーバーヘッドを最小限に抑える。
• キューブックハッシュを活用してメモリ利用効率を向上させ、1回の更新で平均1回のハッシュ操作で済むオンラインルール更新を実現する。
• ラン・トゥ・コンプリートおよびソフトウェアパイプラインモードを用いたマルチコア拡張戦略を設計し、分類および更新処理のさらなる高速化を実現する。

実験結果

リサーチクエスチョン

• RQ1 ハッシュベースの分類器は、同時に高速パケット分類と高速ルール更新を達成できるか？
• RQ2 プレフィックス長分布に基づくルールパーティショニングは、ハッシュテーブルの数と衝突確率をどのように低減できるか？
• RQ3 分類時間を最小限に抑えつつ、低いメモリ使用量を維持する最適なハッシュテーブル数は何か？
• RQ4 ルールオーバーラップは分類性能にどのように影響するか？知的なパーティショニングによってこれを低減できるか？
• RQ5 提案手法は、マルチコア環境においても効果的にスケーリング可能であり、さらなる性能向上を実現できるか？

主な発見

• RVHは、タプルスペースサーチ（TSS）と比較して平均15.7倍、PartitionSort（PS）と比較して14.1倍、TupleMerge（TM）と比較して1.6倍の分類速度向上を達成した。
• 更新処理において、PSと比較して平均3.9倍、TMと比較して1.7倍、TSSと比較して1.1倍高速であった。
• RVHは、PSの38%、TSSの56%のメモリフットプリントにまで削減しながら、TMと同等の性能を維持した。
• 更新レートが1秒間に10,000件を超えると、PSや他の手法は著しく性能が低下するが、RVHのみが安定した分類性能を維持した。
• 範囲ベクトルサイズを8未満に保つ限り、ハッシュエントリあたりの重複するルールの平均数は1.0未満に保たれ、パーティショニング方針の有効性が裏付けられた。
• マルチコア拡張において、更新時に関連するルールセグメントのみをロックすることで競合を低減し、さらなる性能向上が達成された。