[논문 리뷰] Evaluating Cbr Similarity Functions For Bam Switching In Networks With Dynamic Traffic Profile

Eliseu M. Oliveira, Rafael F. Reale외 1명|arXiv (Cornell University)|2017. 01. 19.

Service-Oriented Architecture and Web Services인용 수 2

한 줄 요약

이 논문은 동적 트래픽을 가진 IP/MPLS 네트워크에서 유사도 함수를 Case-Based Reasoning (CBR) 프레임워크 내에서 활용하여 자동으로 최적의 대역폭 할당 모델(BAMs)을 선택하는 것을 평가한다. 트래픽 지표, BAM 행동 및 성능 한계치를 바탕으로 현재 네트워크 조건와 유사한 과거 사례를 유사도 함수를 통해 검색함으로써, 시스템은 적절한 BAM 스위치를 성공적으로 추천하였으며, 실시간 트래픽 역학에 의해 이끄는 적응형 네트워크 관리에서 CBR의 잠재력을 입증하였다.

ABSTRACT

In an increasingly complex scenario for network management, a solution that allows configuration in more autonomous way with less intervention of the network manager is expected. This paper presents an evaluation of similarity functions that are necessary in the context of using a learning strategy for finding solutions. The learning approach considered is based on Case-Based Reasoning (CBR) and is applied to a network scenario where different Bandwidth Allocation Models (BAMs) behaviors are used and must be eventually switched looking for the best possible network operation. In this context, it is required to identify and configure an adequate similarity function that will be used in the learning process to recover similar solutions previously considered. This paper introduces the similarity functions, explains the relevant aspects of the learning process in which the similarity function plays a role and, finally, presents a proof of concept for a specific similarity function adopted. Results show that the similarity function was capable to get similar results from the existing use case database. As such, the use of similarity functions with CBR technique has proved to be potentially satisfactory for supporting BAM switching decisions mostly driven by the dynamics of input traffic profile.

연구 동기 및 목표

• IP/MPLS 네트워크에서 변화하는 트래픽 프로파일에 대응하여 최적의 대역폭 할당 모델(BAMs)을 동적으로 선택하는 데 도전 과제를 해결하기 위해.
• CBR 검색 단계에서 유사도 함수의 효과성을 평가하여 BAM 스위칭 결정에 활용하기 위해.
• 과거 네트워크 구성 및 성능 사례에서 학습하는 CBR-BAM 모듈을 개발하고 검증하기 위해.
• 수동 간섭을 최소화하여 자동 BAM 모델 스위칭을 통해 자율적인 네트워크 관리 구현하기 위해.
• 유사도 함수가 동적 네트워크 환경에서 의사결정을 위한 관련 과거 사례를 신뢰성 있게 검색할 수 있는지 평가하기 위해.

제안 방법

• 과거 사례를 활용한 네트워크 관리 결정을 모델링하기 위해 CBR 4R 사이클(검색, 재사용, 검토, 유지)을 적용하였다.
• 컨텍스트(BAM 모델, 정책 한계, 대역폭 제약), 문제 증상(차단, 우선순위 상실, 분해), 실시간 측정치(이용률, 차단률, 트래픽 클래스별 우선순위 상실 및 분해 수준)를 사용해 사례 속성을 정의하였다.
• 트래픽 클래스 및 BAM 유형 간의 가중치 기반 메트릭을 사용해 현재 사례와 저장된 사례 간의 거리를 계산하는 맞춤형 유사도 함수를 설계하였다.
• 3개의 BAM 모델(MAM, RDM, ATC-S)과 모델당 6개의 트래픽 시나리오를 포함한 총 54개의 사례로 개념 검증을 수행하였다.
• 핵심 성능 지표(예: 차단률, 우선순위 상실, 이용률)에 가중치를 할당하여 정규화된 유클리드 거리를 사용해 유사도를 계산하였다.
• 새로운 사례(예: 프레드의 사례)를 시뮬레이션하여 예상되는 BAM 추천 대비 검색 정확도를 측정함으로써 시스템을 검증하였다.

실험 결과

연구 질문

• RQ1 동적 네트워크 환경에서 BAM 스위칭 결정을 위한 관련 과거 사례를 검색하는 데 있어 유사도 함수의 효과성은 어떠한가?
• RQ2 네트워크 지표와 BAM 속성의 어떤 조합이 네트워크 관리의 CBR에서 가장 정확한 유사도 기반 사례 검색을 이끌어내는가?
• RQ3 CBR-BAM 모듈은 과거 사례 데이터를 기반으로 새로운 트래픽 조건에 적합한 BAM 모델을 성공적으로 추천할 수 있는가?
• RQ4 유사도 함수가 변화하는 트래픽 프로파일에 대응하여 자율적 학습과 적응을 얼마나 잘 지원하는가?
• RQ5 다양한 BAM 모델(MAM, RDM, ATC-S)이 다양한 트래픽 역학 및 성능 한계치 하에서 시스템 성능은 어떠한가?

주요 결과

• 유사도 함수는 CBR 데이터베이스에서 관련 과거 사례를 성공적으로 검색하여 유사한 네트워크 상태를 식별할 수 있는 능력을 입증하였다.
• 개념 검증 과정에서 시스템은 이용률이 낮은 새로운 사례(프레드의 사례)에 대해 예상되는 해결책과 일치하는 바, MAM을 최적의 BAM으로 정확히 추천하였다.
• 높은 차단 또는 우선순위 상실이 발생하는 사례에서는 항상 MAM 또는 RDM으로의 전환을 일관되게 추천하였으며, 사전 정의된 의사결정 규칙과 일치하였다.
• 유사도 함수는 사례 검색 정확도가 매우 높았으며, 상위 랭크된 사례들은 트래픽 지표와 BAM 행동에서 강한 일치를 보였다.
• CBR-BAM 모듈은 다양한 테스트 시나리오에서 일관된 성능을 보였으며, 유사도 점수는 검색된 사례의 높은 관련성을 나타내었다.
• 결과적으로, 잘 설계된 유사도 함수를 갖춘 CBR는 동적 트래픽 프로파일에 기반한 자율적 BAM 스위칭 결정을 지원할 수 있음을 확인하였다.