[논문 리뷰] RVH: Range-Vector Hash for Fast Online Packet Classification

Tong Shen, Gaogang Xie외 5명|arXiv (Cornell University)|2019. 09. 16.

Network Packet Processing and Optimization참고 문헌 34인용 수 5

한 줄 요약

RVH는 접두사 길이 분포 기반으로 규칙을 분할하기 위해 범위-벡터를 도입함으로써 해시 테이블 수와 충돌 확률을 줄여, 빠른 규칙 업데이트와 고속 패킷 분류를 동시에 가속화하는 새로운 해시 기반 패킷 분류 알고리즘을 제안한다. 이는 최신 기술 대비 분류 속도 15.7배 향상, 업데이트 속도 2.3배 향상, 메모리 사용량 44% 절감을 달성한다.

ABSTRACT

Packet classification according to multi-field ruleset is a key component for many network applications. Emerging software defined networking and cloud computing need to update the rulesets frequently for flexible policy configuration. Their success depends on the availability of the new generation of classifiers that can support both fast ruleset updating and high-speed packet classification. However, existing packet classification approaches focus either on high-speed packet classification or fast rule update, but no known scheme meets both requirements. In this paper, we propose Range-vector Hash (RVH) to effectively accelerate the packet classification with a hash-based algorithm while ensuring the fast rule update. RVH is built on our key observation that the number of distinct combinations of each field prefix lengths is not evenly distributed. To reduce the number of hash tables for fast classification, we introduce a novel concept range-vector with each specified the length range of each field prefix of the projected rules. RVH can overcome the major obstacle that hinders hash-based packet classification by balancing the number of hash tables and the probability of hash collision. Experimental results demonstrate that RVH can achieve the classification speed up to 15.7 times and the update speed up to 2.3 times that of the state-of-the-art algorithms on average, while only consuming 44% less memory.

연구 동기 및 목표

• 동적 네트워크 환경에서 고속 패킷 분류와 빠른 규칙 업데이트를 동시에 달성하는 데 오랫동안 지속된 과제를 해결하기 위해.
• 기존 해시 기반 및 트리 기반 패킷 분류 알고리즘에서 분류 속도와 업데이트 효율성 사이의 상충 관계를 극복하기 위해.
• 성능 저하 없이 빈번한 규칙 업데이트를 지원하는 확장 가능한 온라인 분류기 설계를 위해.
• 접두사 길이 분포 기반의 지능적인 규칙 분할을 통해 해시 충돌을 최소화하고 해시 테이블 수를 감소시키기 위해.
• 실제 클라우드 및 SDN 워크로드에서 높은 처리량을 유지하면서 메모리 사용량을 최적화하기 위해.

제안 방법

• 필드 접두사 길이 분포 기반으로 규칙를 그룹화하기 위해 범위-벡터 개념을 도입하여 규칙 공간의 효율적 분할을 가능하게 한다.
• 다양한 길이의 접두사 환경에서 해시 키 구축을 안내하기 위해 베이스-벡터를 사용하여 해시 함수 효율성을 향상시킨다.
• 최적의 해시 테이블 수를 결정하기 위해 분석 모델을 적용하여, 테이블 수와 충돌 확률을 균형 잡음으로써 분류 시간을 최소화한다.
• 해시 테이블 간 규칙 겹침을 줄이는 분할 정책을 적용하여 해시 충돌로 인한 추가 오버헤드를 최소화한다.
• 메모리 활용도를 향상시키고, 평균 한 번의 해시 연산만으로도 온라인 규칙 업데이트를 지원하기 위해 쿠키키 해시를 활용한다.
• 분류 및 업데이트 작업의 추가 가속을 위해 런-투-컴플리트 및 소프트웨어 파이프라인 모드를 활용한 멀티코어 확장 전략을 설계한다.

실험 결과

연구 질문

• RQ1 해시 기반 분류기가 동시에 고속 패킷 분류와 빠른 규칙 업데이트를 달성할 수 있는가?
• RQ2 접두사 길이 분포 기반 규칙 분할이 해시 테이블 수와 충돌 확률을 어떻게 줄일 수 있는가?
• RQ3 분류 시간을 최소화하면서도 낮은 메모리 사용량을 유지하는 데 최적의 해시 테이블 수는 얼마인가?
• RQ4 규칙 겹침은 분류 성능에 어떤 영향을 미치며, 지능적인 분할을 통해 이를 줄일 수 있는가?
• RQ5 다중 코어 환경에서 추가 성능 향상을 위해 제안된 방법이 효과적으로 확장 가능한가?

주요 결과

• RVH는 TSS 대비 평균 분류 속도 15.7배 향상, PS 대비 14.1배 향상, TM 대비 1.6배 향상 달성.
• 업데이트 속도는 PS 대비 3.9배 빠르며, TM 대비 1.7배 빠르고, TSS 대비 평균 1.1배 빠름.
• PS의 38% 수준, TSS의 56% 수준으로 메모리 프로파일을 줄였으며, TM과 유사한 성능 유지.
• 업데이트 빈도가 초당 10,000건을 초과할 경우, RVH만 안정적인 분류 성능 유지하며, PS 등은 심각하게 성능 저하.
• 범위-벡터 크기를 8 이하로 유지할 경우, 평균 해시 엔트리당 겹치는 규칙 수가 1.0 이하로 유지되어 분할 정책의 효과성 검증.
• 멀티코어 확장에서 업데이트 시 관련 규칙 세그먼트만 잠금 처리함으로써 경쟁을 줄이고 추가 성능 향상 달성.