[논문 리뷰] Quick and Plenty: Achieving Low Delay and High Rate in 802.11ac Edge Networks

Hamid Reza Hassani, Franceso Gringoli외 1명|arXiv (Cornell University)|2018. 06. 20.

Wireless Networks and Protocols참고 문헌 17인용 수 7

한 줄 요약

이 논문은 802.11ac 엣지 네트워크에서 지연을 낮추고 고속 데이터 전송을 달성하기 위해 전송 계층 메커니즘을 제안한다. 이 메커니즘은 액세스 포인트에서 목표 프레임 집합 수준을 유지하기 위해 다운링크 전송 속도를 조절한다. 집합 수준을 실시간 피드백 신호로 사용함으로써, 대기열 축적을 방지하고, 루팅되지 않은 모바일 디바이스에서도 안정적이고 고-throughput 통신을 가능하게 한다. 실제 테스트와 NS3 시뮬레이션을 통해 다양한 네트워크 병목 현상에서도 일관된 성능을 입증하였다.

ABSTRACT

We consider transport layer approaches for achieving high rate, low delay communication over edge paths where the bottleneck is an 802.11ac WLAN. We first show that by regulating send rate so as to maintain a target aggregation level it is possible to realise high rate, low delay communication over 802.11ac WLANs. We then address two important practical issues arising in production networks, namely that (i) many client devices are non-rooted mobile handsets/tablets and (ii) the bottleneck may lie in the backhaul rather than the WLAN, or indeed vary between the two over time. We show that both these issues can be resolved by use of simple and robust machine learning techniques. We present a prototype transport layer implementation of our low delay rate allocation approach and use this to evaluate performance under real radio conditions.

연구 동기 및 목표

• 무선 링크가 성능 병목이 되는 엣지 네트워크에서 802.11ac WLAN을 통해 고-throughput, 저지연 통신을 가능하게 하기 위해.
• 일방향 지연 측정에 의존하지 않고 전송 속도를 제어하는 도전 과제를 해결하기 위해.
• 직접 MAC 계층 통계에 접근할 수 없는 루팅되지 않은 모바일 디바이스(예: 안드로이드 태블릿)에서도 작동하는 실용적인 전송 프로토콜을 설계하기 위해.
• WLAN과 백홀 링크 간에 병목이 동적으로 이동하는 상황을 다루기 위해, 적응형 기계학습 기법을 활용한 속도 제어를 위해.
• 실제 하드웨어 테스트베드와 NS3 시뮬레이션을 통해 실재하는 채널 조건 하에서 이 접근법을 검증하기 위해.

제안 방법

• 수신기에서의 프레임 집합 수준을 대기열 상태의 대체 지표로 사용하며, 높은 집합 수준은 AP에서 지속적인 백로그를 나타낸다.
• 클라이언트는 루팅되지 않은 디바이스에서는 커널 타임스탬프를, 리눅스 테스트베드에서는 MAC 계층 타임스탬프를 사용하여 집합 수준을 추정하고 송신기로 보고한다.
• 프록시 기반 아키텍처가 집합 피드백을 수거하고, 목표 집합 수준을 유지하기 위한 속도 제어 알고리즘을 사용하여 다운링크 전송 속도를 조정한다.
• 속도 제어 알고리즘은 iperf 2.0.5의 수정된 버전에 구현되어 실시간 피드백과 동적 속도 적응을 가능하게 한다.
• 기계학습 기법을 적용하여 WLAN과 백홀 간 병목 위치의 불확실성과 변동성을 다루어 다양한 구현 환경에서도 안정성을 확보한다.
• 실제 사무실 환경의 하드웨어 테스트베드와 실재 802.11ac 파rameters(80 MHz, MCS 9, 2 송신 스트림)를 반영한 NS3 시뮬레이터를 사용하여 검증하였다.

실험 결과

연구 질문

• RQ1 802.11ac 네트워크에서 대기열 상태의 신뢰성 있고 저비용 지표로 프레임 집합 수준을 사용할 수 있는가?
• RQ2 정확한 일방향 지연 측정이 불가능한 상황에서 전송 속도를 효과적으로 제어할 수 있는가?
• RQ3 집합 피드백 기반 전송 프로토콜이 루팅되지 않은 모바일 디바이스에서 고속도 및 저지연을 달성할 수 있는가?
• RQ4 병목이 WLAN과 백홀 간에 동적으로 이동할 경우 시스템의 성능은 어떠한가?
• RQ5 기계학습 기법이 이질적이고 실재 네트워크 조건에서 속도 제어를 안정화시킬 수 있는가?

주요 결과

• 실제 802.11ac 테스트베드에서 3개의 송신 스트림과 MCS 9를 사용하여 일방향 지연 약 2ms, 다운링크 속도 약 500Mbps를 달성하였다.
• 목표 집합 수준을 유지함으로써 AP에서의 지속적 대기열을 효과적으로 방지하였으며, 전송 속도가 용량을 초과할 경우 발생하는 지연 증가 현상을 피했다.
• 커널 타임스탬프만을 사용하여 루팅되지 않은 안드로이드 디바이스에서도 성공적으로 작동하여 실생활 모바일 네트워크에 대한 실용성과 타당성을 입증하였다.
• 병목이 WLAN과 백홀 간에 동적으로 이동하는 상황에서도 시스템이 안정적으로 작동하였으며, 기계학습 기법이 동적 조건에서의 안정적인 속도 적응을 가능케 하였다.
• NS3 시뮬레이션 결과가 실제 실험 결과와 밀도 있게 일치하여 모델의 정확성과 대규모 네트워크로의 확장 가능성을 검증하였다.
• 프로토타입과 NS3 코드의 오픈소스 구현은 재현 가능성과 엣지 전송 프로토콜 분야의 향후 연구를 가능하게 한다.