[論文レビュー] Using Machine Learning to Detect Noisy Neighbors in 5G Networks

Udi Margolin, Alberto Mozó+4 more|arXiv (Cornell University)|Oct 24, 2016

Wireless Signal Modulation Classification参考文献 8被引用数 4

ひとこと要約

本論文では、5Gネットワーク機能仮想化（NFV）環境におけるリソース競合によって仮想マシン（VM）のパフォーマンスが低下するノイジィーネイバー事象を機械学習を用いて検出する手法を提案する。実際のNFVテストベッドから得たCPU、ネットワーク、ノイズ負荷のメトリクスを用い、SVMおよびランダムフォレストモデルの両方がノイジィーネイバーイベントの分類において90％以上のF1スコアを達成し、自動パフォーマンス監視における高い正確性を示している。

ABSTRACT

5G networks are expected to be more dynamic and chaotic in their structure than current networks. With the advent of Network Function Virtualization (NFV), Network Functions (NF) will no longer be tightly coupled with the hardware they are running on, which poses new challenges in network management. Noisy neighbor is a term commonly used to describe situations in NFV infrastructure where an application experiences degradation in performance due to the fact that some of the resources it needs are occupied by other applications in the same cloud node. These situations cannot be easily identified using straightforward approaches, which calls for the use of sophisticated methods for NFV infrastructure management. In this paper we demonstrate how Machine Learning (ML) techniques can be used to identify such events. Through experiments using data collected at real NFV infrastructure, we show that standard models for automated classification can detect the noisy neighbor phenomenon with an accuracy of more than 90% in a simple scenario.

研究の動機と目的

• 共存する仮想マシン（ノイジィーネイバー）によるリソース競合が原因で生じるNFVにおけるパフォーマンス劣化を特定する課題に対処すること。
• 標準的な機械学習モデルが、制御されたNFVテストベッド環境においてノイジィーネイバー事象を効果的に検出できるかどうかを評価すること。
• OpenStackベースのインフラから収集した実世界のメトリクスを用いて、機械学習モデルの分類性能を評価すること。
• リソース競合の影響を早期に検出できる仕組みを提供することで、動的でスケーラブルな5Gネットワークにおける自動オ케ストレーションの基盤を築くこと。

提案手法

• 5台のサーバーから構成されるNFVテストベッドからリアルタイムのメトリクスを収集：ターゲットVMのCPU使用率、インバウンドおよびアウトバウンドネットワークリソース帯域幅、ノイズを発生させるVMのCPU使用率。
• Linuxの'trigger'ツール（原文の'trigger'は誤記と推測され、'stress'が正しい）を用いて、ターゲットVMと同一物理ホスト上にCPU集約的ワークロードを模擬した。
• トレーニングの前に、入力特徴量を平均0、標準偏差1に標準化した。
• 2つのモデルをトレーニング：ガウスカーネルを用いたL1正則化付きSVMと、ジニ不純度を用いたノード分割のためのアンサンブルされたランダムフォレスト。
• モデルの汎化性能を評価するために10分割交差検証を適用し、ハイパーパramータ（SVMのC、ランダムフォレストの木の数）を最適化した。
• 検出の正確性と包括性のバランスを取るために、適合率、再現率、F1スコアを用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、実システムメトリクスを用いて、5G NFV環境におけるノイジィーネイバー事象を高い正確性で検出可能か？
• RQ2 特徴量同士の相関が低く、ノイズと明確に相関しない状況下でも、SVMやランダムフォレストといった標準分類モデルはノイジィーネイバー事象を効果的に特定できるか？
• RQ3 SVMのCやランダムフォレストの木の数といったハイパーパramータの設定で、最適な検出性能が得られるか？
• RQ4 リソース競合の複雑さは非線形なモデルを必要とし、それらが線形ベースラインを上回る性能を示すか？

主な発見

• 最良のサポートベクターマシンモデルはC = 3.8²でF1スコア0.8734を達成し、優れた検出能力を示した。
• 最良のランダムフォレストモデルは300本の木を用いてF1スコア0.9144を達成し、適合率と再現率の両面でSVMを上回った。
• ランダムフォレストにおいて50本を超える木数からは顕著な性能向上が観察されず、エントリの増加に伴い利得が減少する傾向が示された。
• 特徴量とノイズとの間の相関係数および最大情報係数（MIC）は低く（最大MIC = 0.371）、ノイジィーネイバー効果が単純な線形解析では容易に特定できない複雑さであることを裏付けた。
• 両モデルともノイジィーネイバーイベントの分類において90％以上の正確性を達成し、実際のNFV環境におけるMLベース検出の実現可能性を検証した。
• 結果から、MLはリソース競合に起因するパフォーマンス劣化の早期検出を可能にすることで、5Gネットワークにおける自動オーケストレーションの信頼性ある基盤を提供できると示唆された。