[論文レビュー] Two Use Cases of Machine Learning for SDN-Enabled IP/Optical Networks: Traffic Matrix Prediction and Optical Path Performance Prediction

Gagan L. Choudhury, David F. Lynch+2 more|arXiv (Cornell University)|Apr 20, 2018

Software-Defined Networks and 5G参考文献 15被引用数 5

ひとこと要約

本稿では、SDN対応IP/オプティカルネットワークにおける2つの機械学習応用を提案する：プロアクティブなリソース最適化のためのトラフィック行列予測、およびフレキシブルROADMネットワークにおけるオプティカルパス性能の予測。SDNコントローラーを用いて、履歴データと機械学習モデルを活用することで、マルチレイヤー連携と性能予測を通じて、迅速でコスト効率が良く、頑丈なネットワーク管理を実現する。実世界のテストベッドでも実現可能性が示された。

ABSTRACT

We describe two applications of machine learning in the context of IP/Optical networks. The first one allows agile management of resources at a core IP/Optical network by using machine learning for short-term and long-term prediction of traffic flows and joint global optimization of IP and optical layers using colorless/directionless (CD) flexible ROADMs. Multilayer coordination allows for significant cost savings, flexible new services to meet dynamic capacity needs, and improved robustness by being able to proactively adapt to new traffic patterns and network conditions. The second application is important as we migrate our metro networks to Open ROADM networks, to allow physical routing without the need for detailed knowledge of optical parameters. We discuss a proof-of-concept study, where detailed performance data for wavelengths on a current flexible ROADM network is used for machine learning to predict the optical performance of each wavelength. Both applications can be efficiently implemented by using a SDN (Software Defined Network) controller.

研究の動機と目的

• 機械学習に基づくトラフィック行列予測を通じて、プロアクティブで迅速なリソース管理をコアIP/オプティカルネットワークで実現すること。
• 詳細なオプティカルパラメータの知識が不要な状態で、オプティカルパス性能を予測することにより、メトロネットワークの運用複雑性を低減すること。
• SDNコントローラーと機械学習を組み合わせて、IP層とオプティカル層の共同最適化の実現可能性を示すこと。
• Open ROADMおよびフレキシブルROADMアーキテクチャへの移行を支援するために、自動的で性能に配慮したライトパスプロビジョニングを可能にすること。
• カラーヲくない／方向に依存しない（CD）ROADMを活用し、予測的でマルチレイヤー連携によるネットワークの頑健性とコスト効率を向上させること。

提案手法

• 実際のフレキシブルROADMネットワークから得た履歴トラフィックおよび性能データを、機械学習モデルの学習入力として使用する。
• 教師あり学習手法を用いて、IP層およびオプティカル層における短期的および長期的トラフィック行列パターンを予測する。
• 回帰および分類モデルを適用し、個々の波長のオプティカル性能指標（例：OSNR、BER）を予測する。
• ML予測結果をSDNコントローラーに統合し、IP層およびオプティカル層リソースの動的で集中管理型の最適化を実現する。
• CD（カラーロス/方向依存なし）フレキシブルROADMを活用し、ML予測に基づいた動的でソフトウェア制御可能なライトパスプロビジョニングを実現する。
• プロトタイプ実装を用いて、詳細なオプティカルパラメータの知識がなくても性能予測が可能であることを検証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、プロアクティブなリソースプロビジョニングを目的として、IP/オプティカルネットワークにおけるトラフィック行列パターンを正確に予測できるか？
• RQ2 フレキシブルROADMネットワークにおいて、オプティカルパラメータの明示的知識がなくても、機械学習によるオプティカルパス性能予測はどの程度効果的か？
• RQ3 ML駆動の予測は、SDN制御下のIP/オプティカル環境において、ネットワークのコスト効率と頑健性をどの程度向上できるか？
• RQ4 SDNコントローラーは、MLベースの予測を活用して、IP層およびオプティカル層の最適化を効果的に連携できるか？
• RQ5 実際のメトロネットワーク展開において、MLベースの性能予測を導入する実用的可行性は何か？

主な発見

• 提案されたMLベースのトラフィック行列予測により、IP層およびオプティカル層のプロアクティブで共同最適化が可能となり、リソース利用効率が著しく向上し、運用コストが削減された。
• MLを用いたオプティカル性能予測は、フレキシブルROADMネットワークにおける個々の波長の主要指標（例：OSNR、BER）を予測する上で高い正確性を達成した。
• システムは、正確な性能予測のためには詳細なオプティカルパラメータの知識が不要であることを示した。これにより、ネットワーク管理が簡素化された。
• SDNコントローラーとの統合により、ML予測に基づいたリアルタイムで動的かつ迅速なライトパスプロビジョニングが可能となり、ネットワークの迅速性とレジリエンスが向上した。
• CDフレキシブルROADMとML予測を組み合わせることで、動的変化するトラフィック条件下でもスケーラブルでコスト効率が良く、頑健なネットワーク運用が可能になった。
• プロトタイプの結果から、MLがメトロおよびコアIP/オプティカルネットワークにおける自動的で性能に配慮したネットワーク制御を実現する上で、実用的で有益な利点を有することが確認された。