[論文レビュー] Vision and Challenges for Knowledge Centric Networking (KCN)

Dapeng Wu, Zhenjiang Li+4 more|arXiv (Cornell University)|Jul 4, 2017

IoT and Edge/Fog Computing被引用数 7

ひとこと要約

本論文は、IoTおよびエッジデータからの知識を抽出・統合・配布するために機械学習を活用する、知識中心ネットワーキング（KCN）という新しいパラダイムを提案する。これにより、重複するトラフィックを低減し、システムの知能を向上させ、効率的で制御性の高い、ユーザーの意図に基づいた適応的ネットワーキングを実現する。

ABSTRACT

In the creation of a smart future information society, Internet of Things (IoT) and Content Centric Networking (CCN) break two key barriers for both the front-end sensing and back-end networking. However, we still observe the missing piece of the research that dominates the current networking traffic control and system management, e.g., lacking of the knowledge penetrated into both sensing and networking to glue them holistically. In this paper, we envision to leverage emerging machine learning or deep learning techniques to create aspects of knowledge for facilitating the designs. In particular, we can extract knowledge from collected data to facilitate reduced data volume, enhanced system intelligence and interactivity, improved service quality, communication with better controllability and lower cost. We name such a knowledge-oriented traffic control and networking management paradigm as the Knowledge Centric Networking (KCN). This paper presents KCN rationale, KCN benefits, related works and research opportunities.

研究の動機と目的

• センシングとネットワーキングを包括的に結びつける統合的知識を欠いた現在のネットワーキングシステムのギャップを埋める。
• IoTおよびコンテンツ中心ネットワークにおける重複データ、ネットワークの複雑化、エンドデバイスの高い計算負荷といった課題を克服する。
• 機械学習を用いて生データから得た知識を統合することで、ユーザーの意図に配慮した知的で適応的かつ柔軟なネットワーク制御を実現する。
• ネットワークインfraストラクチャ内での知識生成、統合、配布のための体系的フレームワークを提案し、エンドデバイスの知能に依存するのを減らす。

提案手法

• 生のIoTおよびエッジセンサデータから記述的知識を抽出するために、機械学習およびディープラーニング技術を適用し、送信されるデータ量を最小限に抑える。
• 知識の統合を通じて、自動的に実行可能なルールとシステムフィードバックを導出することで、ネットワーク動作をユーザーの意図に一致させる。
• ネットワーク内に保存および計算機能を活用し、知識をローカルに生成・管理することで、完全なデータ送信をエンドユーザーに避ける。
• 既存のCCNネーミングおよびルーティングプリミティブ（例：DOI）を活用し、スケーラブルで分散型かつ安全な知識配布を可能にする。
• さまざまな形式（トレーニング済みモデル、制御パラメータ、ネットワークダイナミクスの特性など）をサポートするための知識表現および管理メカニズムを統合する。
• 分散型ネットワーク内プロセッシングを活用し、知識抽出および推論時のネットワーク負荷と計算オーバーヘッドを軽減する。

実験結果

リサーチクエスチョン

• RQ1 どのように機械学習技術を活用して、生のIoTおよびエッジセンサデータから意味のある知識を抽出し、重複するネットワークトラフィックを削減できるか？
• RQ2 動的ネットワーク環境において、抽出された知識からユーザーの意図に配慮したルールとフィードバックを自動的に統合するメカニズムは何か？
• RQ3 知識をネットワーク全体に効率的に保存・取得・配布する方法は何か？ これにより、センシティブなデータの集中化を避けながら、スケーラブルで安全な運用を実現できるか？
• RQ4 KCNは、従来の人的ヒューリスティックに基づく制御手法と比較して、システム管理およびネットワーク最適化をどのように改善できるか？
• RQ5 既存のCCNプリミティブ（例：DOI、ネットワーク内キャッシュ）は、スケーラブルで分散型の知識中心ネットワーキングを実現するために、どのように機能するか？

主な発見

• KCNにより、通信中心から知識中心のネットワーキングへのシフトが可能となり、ネットワーク内での知識活用によって生データをエンドデバイスに送信する必要がなくなる。
• 知識生成に機械学習を活用することで、特に高トラフィックのIoT環境において、データ量とネットワーク負荷が顕著に削減される。
• 知識の統合により、システムはユーザーの意図を解釈し、文脈に応じた制御行動を生成できるようになり、サービス品質と制御性が向上する。
• DOIおよびネットワーク内ストレージを活用した分散型知識配布により、プライバシーとスケーラビリティが向上し、スマートパーキングのユースケースでその効果が確認された。
• 分散型ネットワーク内プロセッシングおよび知識管理により、高性能なエンドデバイスへの依存が軽減され、システムのレジリエンスと効率性が向上する。
• KCNは、将来的な知的ネットワーク最適化の基盤を提供し、適応的リソース割り当てや変化するネットワーク状態への動的対応を可能にする。