[論文レビュー] Towards Smart City Innovation Under The Perspective Of Software-Defined Networking, Artificial Intelligence And Big Data

Joberto S. B. Martins|arXiv (Cornell University)|Oct 20, 2018

E-commerce and Technology Innovations被引用数 7

ひとこと要約

本論文は、ソフトウェア定義ネットワーク（SDN）と人工知能（AI）を活用したスマートシティイノベーションのためのフレームワークを提案する。マルチプロトコルラベルスイッチング（MPLS）ネットワークにおける動的で認知的な帯域幅管理を実現するため、ソフトウェア定義ネットワーク（SDN）と機械学習を統合している。ケースベース推論（CBR）と強化学習（RL）を組み合わせ、OpenFlowを用いてリアルタイムでLSP（ラベルスイッチドパス）を設定することで、ネットワークリソースの即時最適化を実現し、パケット損失を低減するとともに、複雑で多目的なQoS要件下でもリンク利用率を向上させた。

ABSTRACT

Smart city projects address many of the current problems afflicting high populated areas and cities and, as such, are a target for government, institutions and private organizations that plan to explore its foreseen advantages. In technical terms, smart city projects present a complex set of requirements including a large number users with highly different and heterogeneous requirements. In this scenario, this paper proposes and analyses the impact and perspectives on adopting software-defined networking and artificial intelligence as innovative approaches for smart city project development and deployment. Big data is also considered as an inherent element of most smart city project that must be tackled. A framework layered view is proposed with a discussion about software-defined networking and machine learning impacts on innovation followed by a use case that demonstrates the potential benefits of cognitive learning for smart cities. It is argued that the complexity of smart city projects do require new innovative approaches that potentially result in more efficient and intelligent systems.

研究の動機と目的

• 従来のヒューリスティックベースのソリューションでは対応できない、スマートシティネットワークの増大する複雑さと多目的な要件に対応する。
• 従来のIPネットワークにおける、ネットワークパスやリソース割り当ての動的かつリアルタイムな再構成における制限を克服する。
• 人工知能とSDNを統合し、大規模で多様な都市環境において自律的でポリシー駆動のネットワーク管理を実現する。
• 機械学習とSDNを用いた認知的管理の実現可能性を示し、ネットワークパフォーマンスと適応性の向上を図る。
• 多数のIoTデバイス接続とデータ集約型アプリケーションをサポートする、スケーラブルで安全かつオープンなフレームワークを提供する。

提案手法

• スマートシティイノベーションを目的とした、SDN、AI、ビッグデータを統合した階層的フレームワークを提案し、認知的ネットワーク管理に焦点を当てる。
• ネットワーク状態とパフォーマンスメトリクスに基づいて、動的に帯域幅割り当てモデル（BAM）を評価・再構成するため、ケースベース推論（CBR）と強化学習（RL）を採用する。
• OpenFlowを用いてネットワーク状態の集中管理とグローバルビューを提供し、LSP（ラベルスイッチドパス）の設定、プリエンプション、解除をプログラム可能に制御する。
• ネットワークパフォーマンス（例：リンク利用率、パケット損失）を評価し、リアルタイムでBAM設定を自律的に調整する認知的管理システムを実装する。
• 実際のスマートシティのトラフィックを模擬するため、MPLSベースのネットワーク環境にシステムを展開し、多様なQoSおよびQoE要件を満たす。
• 意思決定を支援するため、トラフィックパターン、パフォーマンスデータ、ポリシー目的を統合的に処理・相関分析するビッグデータ分析を統合する。

実験結果

リサーチクエスチョン

• RQ1 SDNとAIをどのように統合することで、複雑なスマートシティ環境における動的で自律的なネットワーク再構成を実現できるか？
• RQ2 マルチクラスで高トラフィックなMPLSネットワークにおける認知的帯域幅割り当てに最も効果的な機械学習手法は何か？
• RQ3 従来のIPネットワークと比較して、OpenFlowベースのSDNは、ネットワーク制御の応答性と一貫性をどの程度向上できるか？
• RQ4 CBRとRLの統合は、複数の対立する目的を持つ状況下での帯域幅割り当て意思決定をどのように向上させるか？
• RQ5 認知的管理システムは、レガシーなMPLS運用と後方互換性を保ちながら、リアルタイムでのネットワークパフォーマンス最適化を達成できるか？

主な発見

• 機械学習に基づく認知的管理システムは、歴史的ネットワークポリシーやパフォーマンスデータから学習し、BAMモデルの自律的再構成に成功した。
• ネットワークパフォーマンスは、定義済みの管理目標（パケット損失の低減、リンク利用率の最適化など）と整合して向上した。
• SDN/OpenFlowを活用したLSPの即時再構成が実現され、手動介入なしに変化するトラフィック負荷に動的に適応できるようになった。
• CBRとRLの統合により、従来のヒューリスティック手法では実現不可能な複雑な多目的最適化問題を効果的に処理できるようになった。
• OpenFlowにより、ネットワーク状態の一貫性があり包括的なビューが得られ、異種ネットワークパス全体にわたる正確で信頼性の高い帯域幅割り当て意思決定が可能になった。
• AIとSDNによる認知的管理が、スマートシティネットワークインfraのスケーラビリティ、効率性、応答性を顕著に向上させることをフレームワークが実証した。