[논문 리뷰] Cognitive Routing with Stretched Network Awareness through Hidden Markov Model Learning at Router Level

T. R. Gopalakrishnan Nair, M. Jayalalitha외 1명|arXiv (Cornell University)|2010. 01. 21.

Software-Defined Networks and 5G참고 문헌 6인용 수 9

한 줄 요약

이 논문은 라우터 수준에서 은닉 마르코프 모델(HMM)을 사용하여 향후 채널 성능를 예측하고 능동적이고 지능적인 경로 선택을 가능하게 하는 인지 라우팅 프레임워크를 제안한다. 라우터들이 전방 채널 성능 지수(FCPI)를 학습하고 공유함으로써 '확장된 네트워크 인식'을 달성하여 최소한의 오버헤드로 다중 홉 네트워크 인식 기반 예측을 통해 패킷 손실과 지연을 감소시킨다.

ABSTRACT

The routing of packets are generally performed based on the destination address and forward link channel available from the instantaneous Router without sufficient cognizance of either the performance of the forward Router or forward channel characteristics. The lack of awareness of forward channel property can lead to packet loss or delayed delivery leading to multipleretransmissions or routing to an underperforming pathway. This paper describes an application of Cognitive Network to improve the network performance by implementing a Hidden Markov Model (HMM) algorithm for learning and predicting the performance of surrounding routers continuously while a routing demand is initiated. The cognition segment/domain of every router can gain knowledge about the quality of forward network. The information of the current network conditions is shared between routers by the Forward Channel Performance Index FCPI. This enables complete cognition of surroundings and efficient delivery of messages in various paradigms of performance

연구 동기 및 목표

• 즉각적인 링크 외부의 미래 네트워크 조건에 대한 인식이 부족한 기존 라우터의 한계를 해결하기 위해.
• 하류 라우터 및 채널 성능에 대한 무지로 인한 패킷 손실, 지연 및 재전송을 줄이기 위해.
• 로컬 토폴로지 외에도 이웃 라우터의 예측 성능를 포함하여 네트워크 인식을 확장함으로써 능동적인 라우팅 결정을 가능하게 하기 위해.
• HMM과 전방 채널 성능 지수(FCPI)를 공유하는 방식을 통해 확장 가능하고 오버헤드가 최소한인 인지 메커니즘을 구현하기 위해.
• 실시간 라우팅 운영을 방해하지 않으면서도 라우터 아키텍처에 인지 학습과 추론을 통합하기 위해.

제안 방법

• 각 라우터는 이웃 라우터의 외부 채널 성능 상태를 학습하고 예측하기 위해 은닉 마르코프 모델(HMM)을 유지한다.
• 전방 채널 성능 지수(FCPI)는 기능성(1) 또는 비기능성(0)을 나타내는 이진 벡터로 채널 상태를 압축된 공유 표현으로 사용한다.
• 인지 패킷이 이웃 라우터 간에 주기적으로 교환되어 다중 홉 인식을 가능하게 하며, 최소한의 대역폭 사용을 달성한다.
• 인지 도메인은 고속 라우팅 도메인과 별도로 저주파수로 작동하며, 이력 및 현재의 FCPI 데이터를 기반으로 미래 네트워크 상태를 예측하기 위해 HMM을 사용한다.
• HMM 예측 결과는 라우팅 결정 과정을 안내하여, 예측된 성능에 기반해 최적의 다음 점 경로를 제안할 수 있도록 한다.
• 시스템은 QoS 및 정책 제약 조건를 고려하여 추론하는 계획 단위를 인지 도메인에 통합하여 라우팅 도메인에 적절한 조언을 제공한다.

실험 결과

연구 질문

• RQ1 라우터는 즉각적인 이웃 외의 전방 채널 성능를 어떻게 능동적으로 예측할 수 있는가?
• RQ2 분산 라우팅 환경에서 저오버헤드, 확장 가능한 네트워크 전역 인식을 가능하게 하는 메커니즘은 무엇인가?
• RQ3 은닉 마르코프 모델(HMM)은 다중 홉에 걸쳐 동적 네트워크 채널 상태를 효과적으로 모델링하고 예측하기 위해 어떻게 활용될 수 있는가?
• RQ4 전방 채널 성능 지수(FCPI)는 공유되고 예측 가능한 네트워크 인식을 가능하게 하기 위해 어떤 역할을 하는가?
• RQ5 인지 학습은 실시간 라우팅과 어떻게 분리되어야 하며, 성능을 유지하면서도 자기 적응적 행동을 가능하게 할 수 있는가?

주요 결과

• HMM 기반 학습 메커니즘은 전방 채널의 기능성 상태를 높은 정확도로 예측하여 반응형 재전송에 대한 의존도를 감소시킨다.
• FCPI를 채널 상태의 공유 압축 표현으로 사용함으로써, 최소한의 대역폭 오버헤드로 하류 네트워크 조건에 대한 인식을 유지할 수 있다.
• 제안된 방법을 사용하는 라우터는 HMM의 예측 결과를 활용하여 성능이 열 劣한 또는 장애가 발생한 링크를 사전에 회피함으로써 종단 간 전달 신뢰도를 향상시킬 수 있다.
• 시스템은 라우팅 계층에서 한 단계 위에 있는 라우터의 외부 링크 상태를 예측함으로써 '확장된 네트워크 인식'을 달성한다.
• 인지 도메인은 저주파수로 독립적으로 작동하여 고속 라우팅 운영에 영향을 주지 않으면서도 예측 지능의 이점을 얻을 수 있다.
• 이 프레임워크는 자기 학습 및 자기 재구성 기능을 지원하여 사용자 간섭 없이 이상 현상에 네트워크가 적응할 수 있도록 하며, 실시간 서비스의 QoS를 향상시킨다.