[논문 리뷰] GA-PSO-Optimized Neural-Based Control Scheme for Adaptive Congestion Control to Improve Performance in Multimedia Applications

Mansour Sheikhan, Ehsan Hemmati외 1명|arXiv (Cornell University)|2017. 11. 16.

Network Traffic and Congestion Control참고 문헌 39인용 수 3

한 줄 요약

이 논문은 다중미디어 애플리케이션 성능을 향상시키기 위해 GA-PSO 최적화 RBF(반경 기반 함수) 신경망 제어기를 제안한다. 유전자 알고리즘(GA)을 활용해 네트워크 아키텍처를 최적화하고, 입자 군집 최적화(PSO)를 통해 출력 가중치를 조정함으로써 향상된 RBF(I-RBF) 모델은 드롭 테일, PI, REM, ARED 제어기보다 뛰어난 링크 이용률과 낮은 패킷 손실률을 달성한다.

ABSTRACT

Active queue control aims to improve the overall communication network throughput while providing lower delay and small packet loss rate. The basic idea is to actively trigger packet dropping (or marking provided by explicit congestion notification (ECN)) before buffer overflow. In this paper, two artificial neural networks (ANN)-based control schemes are proposed for adaptive queue control in TCP communication networks. The structure of these controllers is optimized using genetic algorithm (GA) and the output weights of ANNs are optimized using particle swarm optimization (PSO) algorithm. The controllers are radial bias function (RBF)-based, but to improve the robustness of RBF controller, an error-integral term is added to RBF equation in the second scheme. Experimental results show that GA- PSO-optimized improved RBF (I-RBF) model controls network congestion effectively in terms of link utilization with a low packet loss rate and outperform Drop Tail, proportional-integral (PI), random exponential marking (REM), and adaptive random early detection (ARED) controllers.

연구 동기 및 목표

• 동적 트래픽 조건 하에서 높은 링크 이용률과 낮은 지연을 유지를 위한 과제를 해결한다.
• 드롭 테일, PI, REM, ARED와 같은 기존 혼잡 제어 기법을 개선하기 위해 적응형, 학습 기반 제어를 도입한다.
• 네트워크 상태 변화에 동적으로 대응할 수 있는 강력한 신경망 기반 제어기를 개발하여 다중미디어 애플리케이션에서의 성능을 향상시킨다.
• 하이브리드 메타휴리스틱 기법을 사용해 RBF 신경망의 구조와 가중치를 동시에 최적화하여 제어 정확도와 안정성을 향상시킨다.

제안 방법

• TCP 네트워크에서 활성 큐 관리에 적합한 반경 기반 함수(RBF) 신경망 기반 제어기를 설계한다.
• 유전자 알고리즘(GA)을 사용해 RBF 네트워크의 아키텍처를 최적화하며, 뉴런 수와 중심점 수를 포함한다.
• 입자 군집 최적화(PSO)를 적용해 RBF 네트워크의 출력 가중치를 조정하여 수렴성과 성능을 향상시킨다.
• 오차 적분 항을 통합함으로써 RBF 모델의 강건성과 안정성을 높이고 정적 오차를 감소시킨다.
• 시뮬레이션 환경에 제어기를 구현하여 기준 혼잡 제어 기법과의 성능을 평가한다.
• 다양한 트래픽 부하 조건 하에서 링크 이용률, 큐 지연, 패킷 손실률 등의 주요 지표를 사용해 제어기를 평가한다.

실험 결과

연구 질문

• RQ1 GA-PSO 최적화 I-RBF 제어기는 동적 트래픽 조건 하에서 기존 혼잡 제어 기법과 비교해 링크 이용률과 지연 측면에서 어떻게 성능을 발휘하는가?
• RQ2 오차 적분 항의 통합이 RBF 기반 제어기의 강건성과 안정성에 얼마나 기여하는가?
• RQ3 하이브리드 GA-PSO 최적화 접근법은 신경망의 구조와 가중치를 효과적으로 조정하여 최적의 혼잡 제어 성능을 달성할 수 있는가?
• RQ4 다양한 트래픽 조건에서 일반적으로 다중미디어 애플리케이션에서 발생하는 환경에서 제안된 제어기는 어떻게 성능을 발휘하는가?
• RQ5 신경망 기반 제어는 TCP 네트워크에서 높은 대역폭을 유지하면서 패킷 손실을 어떻게 줄이는가?

주요 결과

• GA-PSO 최적화 I-RBF 제어기는 동적 트래픽 조건 하에서 드롭 테일, PI, REM, ARED 제어기보다 더 높은 링크 이용률을 달성한다.
• 제안된 제어기는 평균 패킷 손실률을 크게 감소시켜 네트워크 혼잡 처리에서 향상된 공정성과 안정성을 보여준다.
• 오차 적분 항을 RBF 모델에 통합함으로써 시스템의 강건성이 향상되어 정적 오차가 낮아지고 수렴 속도가 빨라진다.
• 하이브리드 GA-PSO 최적화 방법은 RBF 네트워크의 아키텍처와 출력 가중치를 효과적으로 조정하여 뛰어난 제어 성능을 이룬다.
• 시뮬레이션 결과는 I-RBF 제어기가 기존 기법들보다 대역폭과 지연 측면에서 뛰어난 성능을 보이며, 특히 다중미디어 애플리케이션에서 흔히 발생하는 고대역폭, 고지연 환경에서 뛰어난 성능을 발휘함을 확인한다.
• 제어기는 다양한 트래픽 패턴에서도 안정된 성능을 유지하여 실제 다중미디어 네트워킹 환경에서의 강력한 적응 가능성과 확장성을 보여준다.