[논문 리뷰] Back To The Future: On Predicting User Uptime

Matteo Dell’Amico, Pietro Michiardi외 1명|arXiv (Cornell University)|2010. 10. 04.

Peer-to-Peer Network Technologies참고 문헌 9인용 수 6

한 줄 요약

이 논문은 일일 및 주간 연결 패턴을 활용하여 피어 투 피어 시스템에서 사용자 온라인 시간을 예측하는 모델을 제안한다. IM, Kad, Skype의 실제 트레이스를 사용하여 저자들은 사용자 가용성 예측이 DHT에서 더 스마트한 데이터 배치를 가능하게 하며, 추가 스토리지나 프rotocol 변경 없이 데이터 가용성을 최대 50% 향상시킬 수 있음을 보여준다.

ABSTRACT

Correlation in user connectivity patterns is generally considered a problem for system designers, since it results in peaks of demand and also in the scarcity of resources for peer-to-peer applications. The other side of the coin is that these connectivity patterns are often predictable and that, to some extent, they can be dealt with proactively. In this work, we build predictors aiming to determine the probability that any given user will be online at any given time in the future. We evaluate the quality of these predictors on various large traces from instant messaging and file sharing applications. We also illustrate how availability prediction can be applied to enhance the behavior of peer-to-peer applications: we show through simulation how data availability is substantially increased in a distributed hash table simply by adjusting data placement policies according to peer availability prediction and without requiring any additional storage from any peer.

연구 동기 및 목표

• 피어 투 피어 응용 프로그램의 시스템 성능을 떨어뜨리는 상관관계가 있는 사용자 연결 패턴 문제를 해결한다.
• 단기 세션 예측을 넘어서 장기 예측 모델을 개발하여 사용자 이탈 및 시간 패턴을 고려한다.
• 예측된 사용자 가용성에 기반한 사전 데이터 배치를 통해 분산 해시 테이블(DHTs)의 데이터 가용성을 향상시킨다.
• 예측 모델링이 추가 스토리지나 프rotocol 수정 없이도 시스템 효율성을 향상시킬 수 있음을 입증한다.

제안 방법

• 1~6개월 간의 인stant 메시징(IM), eMule(Kad), Skype 애플리케이션에서 대규모 사용자 트레이스 데이터를 수집하고 분석한다.
• 개별 사용자, 전역, 일일, 주간 패턴을 통합하여 향후 어떤 시간에 사용자가 온라인일 확률을 추정하는 예측 모델을 설계한다.
• 포화된 카운터 기반 접근 방식을 사용해 사용자 가용성을 모델링하고, 사용자 이탈을 처리하기 위해 보완한다.
• 예측된 가용성에 기반해 노드 식별자를 최적화하여 데이터 가용성을 향상시키는 DHT 시스템을 시뮬레이션한다.
• 이웃 집합 전체의 예측된 데이터 가용성을 최대화하는 방식으로 노드 식별자를 교환하는 반복 최적화 알고리즘을 적용한다.
• 1~4주 간의 테스트 기간 동안 결과를 평가하고, 최소한 하나의 이웃가 온라인일 확률로 데이터 가용성을 측정한다.

실험 결과

연구 질문

• RQ1 실제 응용 프로그램 트레이스에서 일일 및 주간 패턴을 사용해 사용자 온라인 시간을 얼마나 정확히 예측할 수 있는가?
• RQ2 사용자 이탈 행동을 통합할 경우 장기적인 온라인 시간 예측 정확도에 어떤 영향을 미치는가?
• RQ3 예측된 사용자 가용성을 활용해 스토리지 오버헤드 없이 DHT에서 데이터 가용성을 향상시킬 수 있는가?
• RQ4 예측 기반 최적화에 의한 노드 식별자 할당 방식이 무작위 할당 대비 성능 향상은 어느 정도인가?
• RQ5 사용자 행동 변화나 피어 이탈이 발생함에 따라 예측 기반 데이터 배치의 이점은 시간이 지남에 따라 어떻게 변화하는가?

주요 결과

• IM, Kad, Skype에서 사용자 온라인 시간은 강력한 일일 및 주간 패턴을 보이며, 응용 프로그램 유형에 따라 가용성 분포가 크게 다름을 확인함.
• 제안된 예측 모델은 향후 사용자 행동의 불확실성을 줄이며, IM(1,825명), Kad(400만 명), Skype(2,081명)의 실제 트레이스에서 검증된 정확도를 확보함.
• DHT 시뮬레이션에서 예측 기반 최적화된 노드 식별자 할당 방식은 무작위 할당 대비 데이터 가용성을 최대 50% 향상시킴.
• IM 트레이스의 경우, 예측된 가용성 기반 배치를 통해 한 달 간 테스트 기간 동안 데이터 가용성이 0.95에서 0.98로 상승함.
• 피어 이탈 및 행동 변화로 인해 최적화된 배치의 이점은 시간이 지남에 따라 감소하지만, 주기적인 재최적화로 성능 유지가 가능함.
• 추가 스토리지나 프rotocol 변경 없이도 더 높은 데이터 가용성을 달성함으로써, 사용자 예측 가능성에 기반한 사전 설계의 가치를 입증함.