[논문 리뷰] Survey on Machine Learning for Traffic-Driven Service Provisioning in Optical Networks

Tania Panayiotou, Maria Michalopoulou외 1명|arXiv (Cornell University)|2022. 09. 12.

Advanced Optical Network Technologies인용 수 4

한 줄 요약

이 종합 검토는 동적 트래픽 조건 하에서 광망에서 트래픽 기반 서비스 제공을 위한 기계학습(ML) 기반 기법에 대해 포괄적인 검토를 제공한다. 예측 및 사전 결정 기반 프레임워크에 초점을 맞추어 사전적이고 적응형 자원 할당을 가능하게 한다. 트래픽 예측과 지능형 의사결정을 위해 ML을 활용함으로써 네트워크 과잉 설계를 줄이고, 자원 활용도를 향상시키며, 변화하는 트래픽 조건 하에서도 서비스 품질(QoS)을 유지할 수 있다.

ABSTRACT

The unprecedented growth of the global Internet traffic, coupled with the large spatio-temporal fluctuations that create, to some extent, predictable tidal traffic conditions, are motivating the evolution from reactive to proactive and eventually towards adaptive optical networks. In these networks, traffic-driven service provisioning can address the problem of network over-provisioning and better adapt to traffic variations, while keeping the quality-of-service at the required levels. Such an approach will reduce network resource over-provisioning and thus reduce the total network cost. This survey provides a comprehensive review of the state of the art on machine learning (ML)-based techniques at the optical layer for traffic-driven service provisioning. The evolution of service provisioning in optical networks is initially presented, followed by an overview of the ML techniques utilized for traffic-driven service provisioning. ML-aided service provisioning approaches are presented in detail, including predictive and prescriptive service provisioning frameworks in proactive and adaptive networks. For all techniques outlined, a discussion on their limitations, research challenges, and potential opportunities is also presented.

연구 동기 및 목표

• 변동하는 트래픽 수요로 인해 정적 가상 토폴로지로 인한 광망의 과잉 설계 문제를 해결하기 위해.
• 기계학습을 통해 트래픽 패턴을 예측하고 자원 할당을 최적화함으로써 사전적이고 적응형 서비스 제공이 가능해지는 방식을 탐색하기 위해.
• 모델의 불확실성, 분산 학습에서의 공정성, 실시간 의사결정과 같은 광층에서의 기계학습 적용 시 주요 과제를 규명하기 위해.
• 대규모 현장 시험 부족, 적대적 기계학습 위협, 설명 가능하고 신뢰할 수 있는 기계학습 시스템의 필요성과 같은 연구 격차를 부각하기 위해.
• 엣지 학습, 맞춤형 신경망, 인간-기계 상호작용 기계학습 통합과 같은 분야에서의 기회를 식별함으로써 향후 연구의 비전을 제시하기 위해.

제안 방법

• 광망에서 트래픽 예측, 자원 할당 및 서비스 제공에 적용된 기계학습 기법에 대한 체계적 검토.
• 사전적이고 적응형 네트워크를 위한 예측(트래픽 예측) 및 사전 결정(결정 최적화) 프레임워크로 나누어 ML 기반 접근 방식을 분류.
• 감독 학습, 강화 학습, 연합 학습, 다중 에이전트 강화 학습을 포함한 ML 모델 분석을 통한 분산 의사결정 지원.
• 신뢰도와 신뢰성을 향상시키기 위한 모델 불확실성 정량화, 설명 가능한 AI, 인간-기계 상호작용(HITL) 메커니즘 평가.
• 실시간 기계학습 추론을 위한 네트워크 텔레메트리, SDN/NFV 통합 및 광하드웨어 기능 통합을 통한 기반 기술 분석.
• 적대적 기계학습 위험과 그에 대한 방어 기법(예: 적대적 훈련)을 논의하여 핵심 네트워크 응용 분야에서의 내구성 확보.

실험 결과

연구 질문

• RQ1 동적 트래픽 조건 하에서 기계학습은 광망의 자원 활용도를 어떻게 향상시키고 과잉 설계를 줄일 수 있는가?
• RQ2 광망에서 예측 기반과 사전 결정 기반 기계학습 기반 서비스 제공 간의 주요 차이점과 상호 간의 상충 관계는 무엇인가?
• RQ3 특히 모델 불확실성, 공정성, 실시간 성능 측면에서 광망에서 기계학습을 대규모로 구현할 때의 주요 과제는 무엇인가?
• RQ4 기계학습 기반 네트워크 신뢰성과 보안을 확보하기 위해 적대적 기계학습 위협은 어떻게 완화할 수 있는가?
• RQ5 엣지 기반 및 초소형 기계학습 기법은 실시간 네트워크 제어를 위한 지연 감소와 확장성 향상에 어떤 역할을 하는가?

주요 결과

• 예측 및 사전 결정 기반 ML 기반 제공 방식은 정적 또는 반응형 접근 방식에 비해 네트워크 자원 활용도, 에너지 효율성, 대역폭, 지연 시간 모두에서 뚜렷한 향상을 보인다.
• 연합 학습과 다중 에이전트 강화 학습은 공정성과 통신 오버헤드 감소를 바탕으로 분산형 의사결정을 가능하게 하지만, 모델 수렴과 정확도 격차 문제는 여전히 과제로 남아 있다.
• 모델 불확실성 정량화와 설명 가능한 AI는 임무 핵심 광망에서 신뢰할 수 있는 기계학습 시스템을 구축하는 데 핵심적이다.
• 적대적 기계학습은 특히 자율 주행차나 원격 수술과 같은 고지연 또는 안전이 중요한 응용 분야에서 네트워크 신뢰성에 심각한 위협을 가한다.
• 현재까지 사전적 또는 적응형 광망에 대한 대규모 현장 시험은 부족하여 이론적 타당성과 실제 구현 간의 격차를 드러낸다.
• 초소형 기계학습과 엣지 기반 추론은 저지연, 에너지 효율성, 확장성 있는 기계학습 구현을 위한 핵심 기반 기술로 부상하고 있다.