[논문 리뷰] Predicting traffic overflows on private peering

Elad Rapaport, Ingmar Poese외 3명|arXiv (Cornell University)|2020. 10. 03.

Image and Video Quality Assessment참고 문헌 30인용 수 4

한 줄 요약

이 논문은 대규모 콘텐츠 공급자와 ISP 간의 비공개 피어링 링크에서 단기(2–6시간) 교통 혼잡을 예측하기 위해 앙상블 딥 러닝 모델을 제안한다. 이 모델은 진짜 양성률 80%와 가짜 양성률 5%를 달성한다. 방법은 이전 NetFlow 데이터를 사용하여 혼잡 이벤트를 예측하고, 위험에 처한 특정 상호접속을 식별하여 서비스 장애와 비용을 줄이기 위한 사전 대응 전략을 가능하게 한다.

ABSTRACT

Large content providers and content distribution network operators usually connect with large Internet service providers (eyeball networks) through dedicated private peering. The capacity of these private network interconnects is provisioned to match the volume of the real content demand by the users. Unfortunately, in case of a surge in traffic demand, for example due to a content trending in a certain country, the capacity of the private interconnect may deplete and the content provider/distributor would have to reroute the excess traffic through transit providers. Although, such overflow events are rare, they have significant negative impacts on content providers, Internet service providers, and end-users. These include unexpected delays and disruptions reducing the user experience quality, as well as direct costs paid by the Internet service provider to the transit providers. If the traffic overflow events could be predicted, the Internet service providers would be able to influence the routes chosen for the excess traffic to reduce the costs and increase user experience quality. In this article we propose a method based on an ensemble of deep learning models to predict overflow events over a short term horizon of 2-6 hours and predict the specific interconnections that will ingress the overflow traffic. The method was evaluated with 2.5 years' traffic measurement data from a large European Internet service provider resulting in a true-positive rate of 0.8 while maintaining a 0.05 false-positive rate. The lockdown imposed by the COVID-19 pandemic reduced the overflow prediction accuracy. Nevertheless, starting from the end of April 2020 with the gradual lockdown release, the old models trained before the pandemic perform equally well.

연구 동기 및 목표

• 초거대 콘텐츠 수요의 급증으로 인한 비공개 피어링 링크에서의 트래픽 혼잡 위험 증가에 대응하기 위해.
• 서비스 품질 저하 또는 트랜지트 비용 발생 이전에 ISP가 혼잡 이벤트를 사전에 완화할 수 있도록 하기 위해.
• 혼잡이 발생할 가능성이 있는 특정 상호접속을 식별할 수 있는 단기 예측 모델(6시간 이내)을 개발하기 위해.
• 코로나19 패닉 기간 동안의 이례적인 조건에서도 모델의 강인성을 평가하기 위해.
• 콘텐츠 공급자와의 소통 채널을 기반으로 실질적인 대응 전략을 제안하기 위해.

제안 방법

• 유럽의 한 ISP에서 확보한 2.5년치 NetFlow 데이터를 기반으로, 비공개 피어링 링크에서의 트래픽 혼잡을 예측하기 위해 딥 네트워크 앙상블을 훈련한다.
• 예측에 사용되는 입력은 이전 시간대의 시간적 특징과 주간 패턴이다. 이를 통해 혼잡 트래픽의 양과 이벤트 발생 가능성을 예측한다.
• 혼잡 트래픽의 양과 이진 이벤트 발생 여부를 예측하기 위해 회귀 모델을 사용한다.
• 모델의 해석 가능성 기법을 적용하여 예측이 의미 있는 시간적 패턴(특히 최근 및 이전 주의 데이터)에 의해 영향을 받는지 검증한다.
• BGP, ALTO 등 가용한 소통 메커니즘을 기반으로 액션 큐를 구성하여 콘텐츠 공급자와의 협업을 통해 트래픽 재지정을 가능하게 한다.
• 실시간 예측과 자동화된 액션 스케줄링을 지원하며, 재학습을 위한 장기적 데이터 로깅도 가능하다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 최대 6시간 전까지 비공개 피어링 트래픽 혼잡을 정확하게 예측할 수 있는가?
• RQ2 혼잡 이벤트를 예측하는 데 가장 영향을 미치는 시간적 특징는 무엇인가?
• RQ3 코로나19 패닉 기간과 같은 이례적인 트래픽 조건에서 모델 성능은 어떻게 저하되는가?
• RQ4 모델은 혼잡이 발생할 가능성이 있는 특정 상호접속을 식별할 수 있는가? 이를 통해 대상 지정된 완화 전략이 가능한가?
• RQ5 ISP가 콘텐츠 공급자와 협업하여 예측된 혼잡에 대응하기 위해 가능한 소통 및 실행 메커니즘은 무엇인가?

주요 결과

• 모델은 혼잡 이벤트 예측에서 진짜 양성률 0.8(80%)를 기록했으며, 가짜 양성률은 0.05(5%)를 유지했다.
• 코로나19 패닉 정점기 동안 예상치 못한 트래픽 패턴으로 인해 모델 성능이 저하되었다.
• 봉쇄 조치가 해제된 후 성능은 패닉 이전 수준으로 회복되어 모델의 적응 능력을 보여주었다.
• 모델의 해석 가능성 분석 결과, 예측에 가장 민감한 요소는 예측 전 2–6시간의 데이터와 이전 주의 데이터였다.
• 모델은 혼잡이 발생할 가능성이 있는 특정 상호접속을 성공적으로 식별하여 대상 지정된 완화 전략 수립이 가능했다.
• BGP 및 ALTO 기반의 병행 채널 통합은 트래픽 재지정을 위한 확장성 있고 융통성 있는 협업을 가능하게 했다.