[논문 리뷰] Machine Learning Applications in the Routing in Computer Networks

Ke Liang, Mitchel Myers|arXiv (Cornell University)|2021. 04. 05.

Software-Defined Networks and 5G인용 수 4

한 줄 요약

이 종합 검토는 기계학습 응용 사례를 컴퓨터 네트워크 라우팅에 대해 다루며, 지도 학습과 강화 학습을 사용한 중심집중형 및 분산형 아키텍처를 평가한다. 시뮬레이션에서는 라우팅 성능 향상이 입증되었지만, 실제 환경에서의 검증은 제한되어 있어 실용적 구현 연구의 필요성을 드러낸다.

ABSTRACT

Development of routing algorithms is of clear importance as the volume of Internet traffic continues to increase. In this survey, there is much research into how Machine Learning techniques can be employed to improve the performance and scalability of routing algorithms. We surveyed both centralized and decentralized ML routing architectures and using a variety of ML techniques broadly divided into supervised learning and reinforcement learning. Many of the papers showed promise in their ability to optimize some aspect of network routing. We also implemented two routing protocols within 14 surveyed routing algorithms and verified the efficacy of their results. While the results of most of the papers showed promise, many of them are based on simulations of potentially unrealistic network configurations. To provide further efficacy to the results, more real-world results are necessary.

연구 동기 및 목표

• 기계학습 기법을 네트워크 라우팅에 통합하여 성능 및 확장성 향상을 분석하기 위해.
• 컴퓨터 네트워크에서 라우팅을 위한 중심집중형 및 분산형 기계학습 아키텍처를 평가하기 위해.
• 지도 학습 및 강화 학습 기법이 라우팅 결정 최적화에 얼마나 효과적인지 평가하기 위해.
• 현재 연구의 한계, 특히 비현실적인 시뮬레이션에 대한 과도한 의존을 특정하기 위해.
• 조사된 알고리즘에서 두 가지 라우팅 프rotocol을 구현하고 테스트하여 실증적 검증을 제공하기 위해.

제안 방법

• 최근 네트워킹 및 기계학습 분야의 문헌에서 기계학습 기반 라우팅 알고리즘 14개에 대한 체계적 종합 검토를 수행하였다.
• 방법을 중심집중형 및 분산형 학습 아키텍처로 분류하였다.
• 기술을 지도 학습(예: 회귀, 분류) 및 강화 학습(예: Q-학습, 딥 Q-네트워크)으로 분류하였다.
• 성능 주장의 검증을 위해 두 가지 대표적인 라우팅 프rotocol을 구현하고 평가하였다.
• 다양한 네트워크 구조와 트래픽 패턴에서 기반 시뮬레이션 결과를 분석하였다.
• 기계학습 기반 라우팅을 기존 프rotocol와 비교하여 효율성, 지연 및 확장성 향상 여부를 평가하였다.

실험 결과

연구 질문

• RQ1 기계학습은 네트워크 라우팅 알고리즘의 성능 및 확장성 향상에 어떻게 기여할 수 있는가?
• RQ2 중심집중형 및 분산형 기계학습 기반 라우팅 아키텍처 간의 주요 차이점과 상호 대안적 특성은 무엇인가?
• RQ3 지도 학습 및 강화 학습 기법은 시뮬레이션 환경에서 기존 라우팅 프rotocol보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 현재 기계학습 기반 라우팅 접근법의 한계, 특히 시뮬레이션의 현실성 부족 문제는 무엇인가?
• RQ5 기계학습 기반 라우팅 프rotocol의 실제 환경 구현이 일관된 성능 향상을 보여줄 수 있는가?

주요 결과

• 많은 기계학습 기반 라우팅 알고리즘은 시뮬레이션 환경에서 지연, 대역폭 및 로드 밸런싱 향상에 있어 뚜렷한 개선을 보였다.
• 강화 학습 접근법은 동적인 네트워크 조건과 트래픽 변화에 뛰어난 적응성을 보였다.
• 지도 학습 방법은 역사를 기반으로 한 네트워크 데이터 학습을 통해 최적 경로 예측에 높은 정확도를 달성하였다.
• 중심집중형 학습 아키텍처는 일반적으로 더 뛰어난 성능를 보였지만, 확장성 문제와 단일 장애점 문제를 야기하였다.
• 분산형 학습 방법은 복원성과 확장성을 향상시켰지만, 최적 해에 수렴하는 데 더 오랜 시간이 소요될 수 있었다.
• 강력한 시뮬레이션 결과에도 불구하고, 대부분의 조사된 접근법에서 실제 환경 검증의 부재가 여전히 핵심적 한계로 남아 있다.