[論文レビュー] Survey on Machine Learning for Traffic-Driven Service Provisioning in Optical Networks

Tania Panayiotou, Maria Michalopoulou+1 more|arXiv (Cornell University)|Sep 12, 2022

Advanced Optical Network Technologies被引用数 4

ひとこと要約

本調査は、動的変動するトラフィック条件下での光ネットワークにおけるトラフィック駆動型サービスプロビジョニングのための機械学習（ML）ベースの手法について包括的なレビューを提供する。予測型および事前意思決定型のフレームワークに焦点を当て、能動的かつ適応的リソース割り当てを可能にする。MLを用いたトラフィック予測と知的な意思決定により、ネットワークの過剰な予約を低減し、リソース利用効率を向上させるとともに、動的なトラフィック環境下でもサービス品質（QoS）を維持できる。

ABSTRACT

The unprecedented growth of the global Internet traffic, coupled with the large spatio-temporal fluctuations that create, to some extent, predictable tidal traffic conditions, are motivating the evolution from reactive to proactive and eventually towards adaptive optical networks. In these networks, traffic-driven service provisioning can address the problem of network over-provisioning and better adapt to traffic variations, while keeping the quality-of-service at the required levels. Such an approach will reduce network resource over-provisioning and thus reduce the total network cost. This survey provides a comprehensive review of the state of the art on machine learning (ML)-based techniques at the optical layer for traffic-driven service provisioning. The evolution of service provisioning in optical networks is initially presented, followed by an overview of the ML techniques utilized for traffic-driven service provisioning. ML-aided service provisioning approaches are presented in detail, including predictive and prescriptive service provisioning frameworks in proactive and adaptive networks. For all techniques outlined, a discussion on their limitations, research challenges, and potential opportunities is also presented.

研究の動機と目的

• 変動するトラフィック需要に起因する静的仮想トポロジーに起因するネットワークの過剰予約を是正すること。
• 機械学習がトラフィックパターンを予測し、リソース割り当てを最適化することで、能動的かつ適応的サービスプロビジョニングを実現できるかを検討すること。
• モデルの不確実性、分散学習における公平性、リアルタイム意思決定といった、光層におけるML応用における主な課題を特定すること。
• 大規模なフィールドテストの不足、敵対的MLの脅威、説明可能で信頼性のあるMLシステムの必要性といった研究ギャップを強調すること。
• エッジ学習、カスタマイズされたニューラルネットワーク、人間を含むML統合といった分野における機会を特定することで、今後の研究のロードマップを提示すること。

提案手法

• 光ネットワークにおけるトラフィック予測、リソース割り当て、サービスプロビジョニングに応用されたML手法に関する体系的レビュー。
• 能動的かつ適応的ネットワークを実現するため、予測型（トラフィック予測）と事前意思決定型（意思決定最適化）のフレームワークに分類したMLベースのアプローチの分類。
• 教師あり学習、強化学習、フェデレーテッドラーニング、マルチエージェント強化学習を用いた分散意思決定のためのMLモデルの分析。
• 信頼性と信頼性の向上のため、モデルの不確実性の定量化、説明可能なAI、人間を含むML（HITL）メカニズムの評価。
• リアルタイムML推論を可能にする要因として、ネットワークテレメトリ、SDN/NFV統合、光ハードウェアの能力の統合。
• 敵対的MLリスクと、敵対的訓練を含む防御メカニズムの議論により、重要なネットワークアプリケーションにおける耐性を確保すること。

実験結果

リサーチクエスチョン

• RQ1 動的トラフィック条件下で、機械学習はリソース利用効率をどのように向上させ、過剰予約を低減できるか？
• RQ2 光ネットワークにおける予測型と事前意思決定型のMLベースのサービスプロビジョニングの主な違いとトレードオフは何か？
• RQ3 スケールアップでのMLの展開における主な課題、特にモデルの不確実性、公平性、リアルタイム性能に関する課題は何か？
• RQ4 敵対的機械学習の脅威は、どのようにして信頼性があり安全な光ネットワークのサービスプロビジョニングを保証するために軽減できるか？
• RQ5 エッジベースおよびミニチュアML技術は、リアルタイムネットワーク制御における遅延低減とスケーラビリティ向上にどのように寄与するか？

主な発見

• MLベースの予測型および事前意思決定型プロビジョニングは、静的または反応型アプローチと比較して、ネットワークリソース利用効率、エネルギー効率、スルーレート、遅延の面で顕著な向上をもたらす。
• フェデレーテッドラーニングとマルチエージェント強化学習は、公平性を確保しつつ通信オーバーヘッドを低減する分散型意思決定を可能にするが、モデルの収束性と精度のばらつきは依然として課題である。
• モデルの不確実性の定量化と説明可能なAIは、ミッションクリティカルな光ネットワークにおける信頼性のあるMLシステム構築に不可欠である。
• 敵対的機械学習は、特に自律走行車や遠隔外科技術などの高遅延または安全が求められるアプリケーションにおいて、ネットワークの信頼性に深刻な脅威をもたらす。
• 能動的または適応的光ネットワークのための大規模フィールドテストは現在のところ不足しており、理論的な妥当性と実世界での展開の間の大きなギャップを示している。
• ミニチュアMLおよびエッジベースの推論は、低遅延、省エネルギー、スケーラブルなML展開を実現する光ネットワーク制御プレーンにおいて、今後不可欠なエンablerとなる。