[논문 리뷰] An Approximation Algorithm for Path Computation and Function Placement in SDNs

Guy Even, Matthias Rost외 1명|arXiv (Cornell University)|2016. 03. 30.

Complexity and Algorithms in Graphs참고 문헌 1인용 수 8

한 줄 요약

이 논문은 소프트웨어 정의 네트워크(SDNs)에서 공동 경로 계산 및 기능 배치를 위한 랜덤화 근사 알고리즘을 제안한다. 분수선형계획법의 풀이와 랜덤화 반올림을 사용하며, 링크 및 노드 용량 제약 조건을 만족하면서 총 요청 이익을 최대화한다. 용량 대 수요 비율에 대해 로그 스케일 조건을 가정할 경우, 높은 확률로 (1−ε)-근사해를 달성한다.

ABSTRACT

We consider the task of computing (combined) function mapping and routing for requests in Software-Defined Networks (SDNs). Function mapping refers to the assignment of nodes in the substrate network to various processing stages that requests must undergo. Routing refers to the assignment of a path in the substrate network that begins in a source node of the request, traverses the nodes that are assigned functions for this request, and ends in a destination of the request. The algorithm either rejects a request or completely serves a request, and its goal is to maximize the sum of the benefits of the served requests. The solution must abide edge and vertex capacities. We follow the framework suggested by Even for the specification of the processing requirements and routing of requests via processing-and-routing graphs (PR-graphs). In this framework, each request has a demand, a benefit, and PR-graph. Our main result is a randomized approximation algorithm for path computation and function placement with the following guarantee. Let $m$ denote the number of links in the substrate network, $\eps$ denote a parameter such that $0< \eps <1$, and $\opt_f$ denote the maximum benefit that can be attained by a fractional solution (one in which requests may be partly served and flow may be split along multiple paths). Let $\cmin$ denote the minimum edge capacity, and let $\dmax$ denote the maximum demand. Let $\Deltamax$ denote an upper bound on the number of processing stages a request undergoes. If $\cmin/(\Deltamax\cdot\dmax)=Ω((\log m)/\eps^2)$, then with probability at least $1-\frac{1}{m}- extit{exp}(-Ω(\eps^2\cdot \opt_f /(\bmax \cdot \dmax)))$, the algorithm computes a $(1-\eps)$-approximate solution.

연구 동기 및 목표

• 요청이 경로 상 특정 네트워크 노드에서 처리되어야 하는 조건에서, SDNs 내에서 라우팅과 기능 매핑의 공동 최적화 문제를 해결한다.
• 엣지 및 정점 용량 제약 조건 하에서 서비스된 요청의 총 이익을 최대화한다.
• 경로 계산 및 기능 배치의 병합 문제인 NP-난이도 문제에 대해 다항시간 근사 알고리즘을 제공한다.
• 요청이 경로 상 여러 처리 단계(예: 방화벽, 암호화)를 거쳐야 하는 경우를 고려하며, 이를 PR-그래프로 모델링한다.
• 모든 요청은 완전히 수용되거나 거부되어야 하며, 네트워크 용량 제약 조건을 유지한다.

제안 방법

• 각 요청의 라우팅 및 처리 요구 사항을 표현하기 위해 처리 및 라우팅 그래프(PR-그래프)를 사용하여 문제를 수립한다.
• 문제의 분수해를 활용하여, 제품 그래프 위의 일반 패킹 선형계획으로 문제를 모델링한다.
• 분수해에 대해 랜덤화 반올림을 적용하여, 각 요청의 플로우를 독립적으로 정수 할당으로 변환한다.
• 체르노프 경계를 사용하여 엣지 혼잡도와 이익 집중도를 분석하여, 용량 및 이익 보장을 확보한다.
• 용량 위반 확률이 1/|E|² 이하가 되도록 용량을 스케일링한다.
• 최종 해가 원래 용량 제한을 준수하면서도 근사 품질을 유지할 수 있도록 사전 스케일링 단계를 도입한다.

실험 결과

연구 질문

• RQ1 용량 제약 조건이 있는 SDNs에서 공동 경로 계산 및 기능 배치 문제에 대해 다항시간 근사 알고리즘을 설계할 수 있는가?
• RQ2 네트워크 용량 및 요청 파ameters에 어떤 조건이 성립할 경우, (1−ε)-근사해를 높은 확률로 확보할 수 있는가?
• RQ3 용량 제약 조건을 위반하거나 이익을 손상시키지 않고 분수해를 정수해로 반올림하는 방법은 무엇인가?
• RQ4 처리 단계 수(Δ_max)와 요청 수요(d_max)가 근사 보장에 미치는 영향은 무엇인가?
• RQ5 다양한 이익과 처리 요구 사항을 가진 요청을 고려할 때, 이 알고리즘은 확장성 있고 분산 네트워크 환경에서 어떻게 작동하는가?

주요 결과

• c_min/(Δ_max·d_max) = Ω((log m)/ε²) 조건 하에서, 확률 적어도 1−1/m−exp(−Ω(ε²·opt_f/(b_max·d_max)))로 (1−ε)-근사해를 달성한다.
• 엣지 용량 위반 확률은 1/|E|² 이하로 제한되며, 유니온 바운드를 통해 모든 엣지에서의 타당성이 보장된다.
• 단위 이익 요청(b_max=1)의 경우, opt_f > c_min일 때 높은 확률로 (1−O(ε))-근사해를 달성한다.
• 분수해의 반올림 과정에서 독립적인 난수 변수로 표현된 플로우 할당에 대해 체르노프 경계를 적용하여, 엣지 부하와 총 이익의 집중도를 보장한다.
• 특히 최소 용량 대 수요 비율이 로그 스케일로 조정된 경우, 현실적인 네트워크 가정 하에서도 강건한 성능을 보인다.
• 이 프레임워크는 임의의 처리 순서를 지원하며, 단순 경로가 아닌 복잡한 서비스 기능 체인을 NFV/SDN 환경에서 모델링할 수 있다.