[논문 리뷰] FALCON: Fast and Accurate Multipath Scheduling using Offline and Online Learning

H. Wu, Özgü Alay외 3명|arXiv (Cornell University)|2022. 01. 22.

Wireless Networks and Protocols인용 수 9

한 줄 요약

FALCON은 오프라인 메타러닝과 온라인 피지테이닝을 결합한 학습 기반의 멀티패스 스케줄러로, 변화하는 네트워크 환경에 빠르고 정확하게 적응하여 모바일 네트워크에서 최신 기술 대비 최대 23.6% 향상된 성능을 달성하고, 적응 시간을 약 8배 감소시킨다.

ABSTRACT

Multipath transport protocols enable the concurrent use of different network paths, benefiting a fast and reliable data transmission. The scheduler of a multipath transport protocol determines how to distribute data packets over different paths. Existing multipath schedulers either conform to predefined policies or to online trained policies. The adoption of millimeter wave (mmWave) paths in 5th Generation (5G) networks and Wireless Local Area Networks (WLANs) introduces time-varying network conditions, under which the existing schedulers struggle to achieve fast and accurate adaptation. In this paper, we propose FALCON, a learning-based multipath scheduler that can adapt fast and accurately to time-varying network conditions. FALCON builds on the idea of meta-learning where offline learning is used to create a set of meta-models that represent coarse-grained network conditions, and online learning is used to bootstrap a specific model for the current fine-grained network conditions towards deriving the scheduling policy to deal with such conditions. Using trace-driven emulation experiments, we demonstrate FALCON outperforms the best state-of-the-art scheduler by up to 19.3% and 23.6% in static and mobile networks, respectively. Furthermore, we show FALCON is quite flexible to work with different types of applications such as bulk transfer and web services. Moreover, we observe FALCON has a much faster adaptation time compared to all the other learning-based schedulers, reaching almost an 8-fold speedup compared to the best of them. Finally, we have validated the emulation results in real-world settings illustrating that FALCON adapts well to the dynamicity of real networks, consistently outperforming all other schedulers.

연구 동기 및 목표

• 시간에 따라 변화하는 네트워크 조건 하에서 빠르고 정확한 적응을 달성하기 위한 멀티패스 스케줄러의 과제를 해결하기 위해, 특히 5G mmWave 및 WLAN 환경에서의 적용을 목표로 한다.
• 동적 조건에서 정확도가 떨어지는 룰 기반 스케줄러와, 수렴 속도가 느린 온라인 학습 스케줄러의 한계를 극복하기 위해 설계된다.
• 오프라인 메타러닝을 통해 거시적 패턴을 사전 학습하고, 온라인 학습을 통해 미세한 실시간 네트워크 상태에 신속히 적응하는 스케줄러를 설계한다.
• 모ulative 학습 접근법의 효과성을 시뮬레이션 환경과 실제 네트워크 환경에서 모두 검증한다.
• 특히 자원이 제한된 환경에서의 낮은 시스템 오버헤드와 실용적인 구현 가능성을 확보한다.

제안 방법

• FALCON은 다양한 역학적 네트워크 조건에서 사전에 메타모델을 오프라인으로 훈련시어 거시적 패턴을 포착한다.
• 새로운 네트워크 조건에 직면했을 때, FALCON은 가장 관련성이 높은 메타모델을 선택하여 온라인 피지테이닝을 수행함으로써 작업별 스케줄링 정책을 도출한다.
• 온라인 경험을 반복적으로 피드백하여 오프라인 메타모델을 지속적으로 업데이트하는 닫힘 루프 학습 메커니즘을 유지한다.
• 실시간 피드백 기반 경로 선택 결정 최적화를 위해 딥 Q 네트워크(DQN)를 온라인 학습 구성 요소로 사용한다.
• 추론 오버헤드를 최소화하고 CPU 및 메모리 사용량을 낮추기 위해 경량화된 신경망 아키텍처를 설계한다.
• 시스템 성능은 트레이스 기반 시뮬레이션과 실제 구현을 통해 평가되어 적응성과 효율성을 검증한다.

실험 결과

연구 질문

• RQ1 하이브리드 오프라인-온라인 학습 접근법이 5G 및 WLAN 환경에서 동적으로 변화하는 조건에서 멀티패스 스케줄링의 속도와 정확도를 향상시킬 수 있는가?
• RQ2 빠르게 변화하는 네트워크 조건 하에서 FALCON의 적응 시간은 기존의 학습 기반 스케줄러와 비교해 어떻게 되는가?
• RQ3 Throughput 및 신뢰성 측면에서 FALCON은 룰 기반 및 순수 온라인 학습 기반 스케줄러보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 온라인 추론 및 훈련 중 FALCON의 CPU 및 메모리 사용량에 따른 시스템 오버헤드는 어느 정도인가?
• RQ5 FALCON은 빅 데이터 전송 및 웹 서비스와 같은 다양한 애플리케이션 유형에 대해 얼마나 잘 일반화되는가?

주요 결과

• FALCON은 정적 네트워크에서 최신 기술 대비 최대 19.3% 향상된 성능을 보이며, 모바일 네트워크에서는 최대 23.6% 향상된 대역폭 성능을 달성한다.
• FALCON은 가장 빠른 기존 학습 기반 스케줄러 대비 약 8배 빠른 적응 시간을 확보한다.
• FALCON의 평균 CPU 사용량은 minRTT 대비 단지 3% 높을 뿐이며, 메모리 사용량은 6% 높아, 최소한의 시스템 오버헤드를 나타낸다.
• FALCON은 빅 데이터 전송 및 웹 서비스를 포함한 다양한 애플리케이션에서 일관된 성능을 유지하여 강력한 일반화 능력을 입증한다.
• 실제 환경 검증을 통해 FALCON이 변화하는 네트워크 조건에 잘 적응하고 모든 베이스라인 스케줄러를 지속적으로 능가함을 확인했다.
• 온라인 및 오프라인 학습 간의 닫힘 루프 피드백 메커니즘은 시간이 지남에 따라 메타모델의 지속적 향상 가능성을 제공한다.