[논문 리뷰] Measuring and Understanding Throughput of Network Topologies

Jyothi Sangeetha Abdu, Ankit Singla외 2명|arXiv (Cornell University)|2014. 02. 11.

Cloud Computing and Resource Management인용 수 9

한 줄 요약

이 논문은 합성, 실제 워크로드, 근접 최악의 경우 트래픽 매트릭스(TMs)를 사용하여 네트워크 토폴로지의 스루풋을 평가하기 위한 프레임워크를 제안한다. 근접 최악의 경우 TMs를 생성하기 위한 히우리스틱을 도입하여 진정으로 토폴로지의 한계를 드러낸다. 분석 결과, 확장자 기반 토폴로지(예: Jellyfish, Slim Fly)는 스케일이 증가함에 따라 특히 최악의 경우 및 실제 워크로드 상황에서 피트 트리보다 뚜렷하게 뛰어나며, 토폴로지 크기가 동일할 경우 성능 격차가 최대 65%에 이르게 된다.

ABSTRACT

High throughput is of particular interest in data center and HPC networks. Although myriad network topologies have been proposed, a broad head-to-head comparison across topologies and across traffic patterns is absent, and the right way to compare worst-case throughput performance is a subtle problem. In this paper, we develop a framework to benchmark the throughput of network topologies, using a two-pronged approach. First, we study performance on a variety of synthetic and experimentally-measured traffic matrices (TMs). Second, we show how to measure worst-case throughput by generating a near-worst-case TM for any given topology. We apply the framework to study the performance of these TMs in a wide range of network topologies, revealing insights into the performance of topologies with scaling, robustness of performance across TMs, and the effect of scattered workload placement. Our evaluation code is freely available.

연구 동기 및 목표

• 다양한 트래픽 패tern과 토폴로지 간의 네트워크 토폴로지 스루풋 비교를 위한 표준화되고 개방된 프레임워크의 부재를 해결하기 위해.
• 실제 최악의 스루풋 성능 한계를 드러내는 근접 최악의 경우 트래픽 매트릭스를 식별하고 생성하기 위해.
• 실제 워크로드, 합성 워크로드, 최악의 경우 TMs에서 10종의 데이터센터 및 HPC 토폴로지의 스루풋 성능을 평가하고 비교하기 위해.
• 절단 기반 메트릭(예: 바이섹션 대역폭, 스퍼스티스트 컷)이 최악의 경우 스루풋을 신뢰성 있게 예측할 수 있다는 가정을 도전하기 위해.
• 미래의 토폴로지 설계 및 평가를 위한 재현 가능하고 오픈소스 기반의 벤치마크를 제공하기 위해.

제안 방법

• 유량 혼잡도를 네트워크 링크 전역에서 최대화하는 방식으로 근접 최악의 경우 TMs를 생성하기 위한 히우리스틱 알고리즘을 개발한다. 이는 근사적이고 반복적인 접근 방식을 사용한다.
• 선형 프로그래밍(LP)-기반 정확한 스루풋 계산을 활용하여, 주어진 모든 TM에서의 성능을 측정함으로써 정밀한 비교를 가능하게 한다.
• 작은 토폴로지에서 브루투포스 계산을 통해 최악의 경우 스루풋이 스퍼스티스트 컷 값보다 높을 수 있음을 검증함으로써, 절단 메트릭이 예측 능력이 부족함을 입증한다.
• 프레임워크를 활용해 실제 페이스북 데이터센터 TMs, 합성 TMs, 생성된 최악의 경우 TMs에서 피트 트리, DCell, Jellyfish, Slim Fly, Long Hop 등 10종의 토폴로지를 평가한다.
• 단일 경로 라우팅 방식에서 비롯되는 편향을 피하기 위해 시뮬레이션에서 다중경로 라우팅(ECMP 유사)을 적용하여 실제 구현 조건을 반영한다.
• 이전 연구의 방법을 재현하고, 비균형한 토폴로지 크기와 최적화되지 않은 스루풋 추정으로 인한 격차를 규명함으로써 결과를 비교한다.

실험 결과

연구 질문

• RQ1 바이섹션 대역폭 및 스퍼스티스트 컷과 같은 절단 기반 메트릭이 네트워크 토폴로지에서 최악의 경우 스루풋을 정확하게 예측할 수 있는가?
• RQ2 어떤 네트워크 토폴로지에 대해서든 근접 최악의 경우 트래픽 매트릭스를 체계적이고 효율적으로 생성할 수 있는 방법은 무엇인가?
• RQ3 다양한 토폴로지가 최악의 경우, 실제 워크로드, 합성 워크로드 패턴에서 스케일이 증가함에 따라 어떻게 성능을 발휘하는가?
• RQ4 이전 연구들이 토폴로지 성능에 대해 모순된 결과를 보인 이유는 무엇이며, 이러한 격차의 원인은 무엇인가?
• RQ5 비균일한 트래픽 상황에서 워크로드 랜덤화나 배치 전략은 어느 정도 성능 향상에 기여할 수 있는가?

주요 결과

• 토폴로지 크기가 동일할 경우, 확장자 기반 토폴로지(예: Jellyfish, Long Hop, Slim Fly)는 최악의 경우 스루풋에서 피트 트리보다 최대 65% 높은 성능을 보이며, 스케일이 증가함에 따라 성능 격차가 커진다.
• 작은 규모(예: 1000 서버 이하)에서는 DCell 및 유사 토폴로지가 모든 TMs에서 잘 작동하지만, 스케일이 증가함에 따라 그 이점이 줄어든다.
• 바이섹션 대역폭 및 스퍼스티스트 컷과 같은 절단 메트릭은 최악의 경우 스루풋을 예측하지 못한다. 즉, 더 높은 절단 메트릭을 가진 토폴로지일수록 실제 최악의 경우 스루풋이 낮을 수 있다.
• 제안된 히우리스틱은 이론적 하한값에 몇 퍼센트 내외로 도달하는 근접 최악의 경우 TMs를 생성하며, 이는 이전 방법보다 속도와 확장성 면에서 뛰어나다(6배 빠르고, 8배 더 큰 네트워크 처리 가능).
• 이전 연구(예: Yuan et al. [48])의 결과를 정확한 LP 기반 스루풋 계산으로 재현한 결과, 이전 결과는 비균형한 토폴로지 크기와 정확하지 않은 스루풋 추정으로 인해 편향되었으며, 크기가 동일할 경우 성능 격차가 65%로 증가함을 확인하였다.
• 비균일 워크로드 상황에서 랙 수준의 워크로드 배치 랜덤화는 성능 향상에 기여함을 보이며, 이는 데이터센터 내 작업 배치 전략에 실질적인 영향을 줄 수 있음을 시사한다.