[논문 리뷰] Neural Network Tomography

Liang Ma, Ziyao Zhang외 1명|arXiv (Cornell University)|2020. 01. 09.

Internet Traffic Analysis and Secure E-voting참고 문헌 79인용 수 10

한 줄 요약

NeuTomography는 네트워크 톰그래피를 위한 일반적인 딥러닝 기반 프레임워크를 제안하며, 네트워크 구조 지식, 프로토콜 지원, 또는 메트릭 특화 가정에 의존하지 않고도 샘플링된 노드 쌍의 엔드 투 엔드 측정값만을 사용하여 측정되지 않은 경로 성능 메트릭을 추론하고 네트워크 구조를 재구성한다. 이는 성능 예측 및 구조 재구성 모두에서 최신 기술 수준의 정확도를 달성하며, 최적의 샘플링 조건 하에서 FNR과 FPR이 4% 이하이다.

ABSTRACT

Network tomography, a classic research problem in the realm of network monitoring, refers to the methodology of inferring unmeasured network attributes using selected end-to-end path measurements. In the research community, network tomography is generally investigated under the assumptions of known network topology, correlated path measurements, bounded number of faulty nodes/links, or even special network protocol support. The applicability of network tomography is considerably constrained by these strong assumptions, which therefore frequently position it in the theoretical world. In this regard, we revisit network tomography from the practical perspective by establishing a generic framework that does not rely on any of these assumptions or the types of performance metrics. Given only the end-to-end path performance metrics of sampled node pairs, the proposed framework, NeuTomography, utilizes deep neural network and data augmentation to predict the unmeasured performance metrics via learning non-linear relationships between node pairs and underlying unknown topological/routing properties. In addition, NeuTomography can be employed to reconstruct the original network topology, which is critical to most network planning tasks. Extensive experiments using real network data show that comparing to baseline solutions, NeuTomography can predict network characteristics and reconstruct network topologies with significantly higher accuracy and robustness using only limited measurement data.

연구 동기 및 목표

• 기존 네트워크 톰그래피 방법이 알려진 네트워크 구조, 프로토콜 지원, 또는 덧셈형 메트릭과 같은 강한 가정에 의존하는 실용적 한계를 해결하기 위해.
• 특수한 라우팅 또는 측정 도구가 필요 없이 덧셈형 및 비덧셈형 성능 메트릭 모두에 적용 가능한 일반적인 프레임워크를 개발하기 위해.
• 노드 쌍 간의 소량의 엔드 투 엔드 측정값만을 사용하여 측정되지 않은 경로의 성능 메트릭을 정확하게 예측할 수 있도록 하기 위해.
• 링크 수준 또는 홉별 데이터 없이도 엔드 투 엔드 측정값에서 비선형적 관계를 학습하여 제한된 측정값으로 네트워크 구조를 재구성하기 위해.
• 활동적인 성능 경계 추정을 통한 데이터 증강을 통해 모델의 일반화 능력 향상과 과적합 감소를 통해 내성성과 일반화 능력을 향상시키기 위해.

제안 방법

• NeuTomography는 노드 쌍 간의 비선형적 관계와 엔드 투 엔드 성능 메트릭 간의 관계를 학습하기 위해 딥 네ural 네트워크를 활용하여 측정되지 않은 경로의 성능를 추론한다.
• 모델의 일반화 능력 향상과 제한된 학습 데이터에서의 과적합 방지를 위해 활동적인 성능 경계 추정을 통한 데이터 증강을 사용한다.
• 사전에 네트워크 구조를 알지 못한 채 엔드 투 엔드 측정값에서 확장된 인접 행렬을 예측함으로써 네트워크 구조를 재구성한다.
• 모델은 링크 수준 또는 홉별 데이터가 필요 없이 소스-대상 노드 쌍과 그들의 측정된 경로 성능 메트릭의 입력-출력 쌍만으로 훈련된다.
• 평가에서는 인접 행렬에서 거짓 양성(FPR)과 거짓 음성(FNR)을 측정하여 구조 재구성 정확도를 평가한다.
• 이 방법은 메트릭 유형(덧셈형 또는 비덧셈형)에 관계없이 적용 가능하여 지연, 손실, 혼잡도와 같은 다양한 성능 특성에 대해 통합 처리할 수 있다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 프레임워크가 알려진 네트워크 구조, 프로토콜 지원, 또는 메트릭 특화 가정에 의존하지 않고 측정되지 않은 네트워크 성능 메트릭을 추론할 수 있는가?
• RQ2 소량의 엔드 투 엔드 측정값만을 사용하여 NeuTomography가 경로 성능 메트릭을 얼마나 정확하게 예측할 수 있는가?
• RQ3 NeuTomography는 제한된 측정값으로 원래의 네트워크 구조를 어느 정도 재구성할 수 있는가?
• RQ4 랜덤 또는 모니터 기반 선택과 같은 다양한 샘플링 전략 하에서 프레임워크의 성능은 어떻게 되는가?
• RQ5 성능 경계 추정을 통한 데이터 증강이 모델의 내성성과 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 랜덤 샘플링 조건 하에서 30%의 노드 쌍이 측정될 경우, NeuTomography는 네트워크 구조 재구성에서 FNR과 FPR이 4% 이하로 나타나 높은 재구성 정확도를 확보한다.
• AS15706과 같은 밀도가 높은 네트워크의 경우, 단일 측정 세트(m=1)만으로도 정확한 네트워크 구조 재구성가능하며, 이는 밀도가 높은 구조에서 더 높은 내성성을 의미한다.
• 성능 예측 및 구조 재구성 모두에서 NMF 및 NeuMF와 같은 기준 성능에 비해 뚜렷이 뛰어나며, 정확도에서 수개월 수준의 향상을 보인다.
• 모니터 기반 샘플링을 사용할 경우, PAT(경로 인식 샘플링)는 m≥2일 때 FNR을 15% 이하로 낮추어 현실적인 측정 제약 조건 하에서도 성능 향상을 입증한다.
• 활동적인 성능 경계 추정을 통한 데이터 증강은 특히 제한된 측정 데이터에서 모델의 일반화 능력을 향상시키고 과적합을 감소시킨다.
• NeuTomography는 네트워크 파라미터 오차에 대해 뛰어난 내성성을 보이며, 덧셈형 및 비덧셈형 성능 메트릭 모두에서 높은 정확도를 유지한다.