[논문 리뷰] Towards Smart City Innovation Under The Perspective Of Software-Defined Networking, Artificial Intelligence And Big Data

Joberto S. B. Martins|arXiv (Cornell University)|2018. 10. 20.

E-commerce and Technology Innovations인용 수 7

한 줄 요약

이 논문은 소프트웨어 정의 네트워킹(SDN)과 인공지능(AI) 기반의 프레임워크를 제안하여 스마트 시티 혁신을 이끌며, 소프트웨어 정의 네트워킹(SDN)과 기계학습을 활용해 MPLS 네트워크에서 동적이고 인지 기반의 대역폭 관리를 가능하게 한다. 오픈플로우를 활용해 실시간 LSP 설정을 구현하고, 사례 기반 추론(CBR)과 강화 학습(RL)을 조합함으로써 네트워크 자원을 실시간으로 최적화하여 패킷 손실을 감소시키고 복잡한 다중 목표 QoS 요구 조건 하에서 링크 활용도를 향상시킨다.

ABSTRACT

Smart city projects address many of the current problems afflicting high populated areas and cities and, as such, are a target for government, institutions and private organizations that plan to explore its foreseen advantages. In technical terms, smart city projects present a complex set of requirements including a large number users with highly different and heterogeneous requirements. In this scenario, this paper proposes and analyses the impact and perspectives on adopting software-defined networking and artificial intelligence as innovative approaches for smart city project development and deployment. Big data is also considered as an inherent element of most smart city project that must be tackled. A framework layered view is proposed with a discussion about software-defined networking and machine learning impacts on innovation followed by a use case that demonstrates the potential benefits of cognitive learning for smart cities. It is argued that the complexity of smart city projects do require new innovative approaches that potentially result in more efficient and intelligent systems.

연구 동기 및 목표

• 기존 히우리스틱 기반 솔루션의 능력을 초월하는 스마트 시티 네트워크의 점점 증가하는 복잡성과 다중 목표적 요구를 해결한다.
• 기존 IP 네트워크의 한계를 극복하여 네트워크 경로와 자원 할당의 동적이고 실시간 재구성 기능을 확보한다.
• 인공지능과 SDN을 통합해 대규모이고 이질적인 도시 환경에서 자율적이고 정책 기반의 네트워크 관리를 가능하게 한다.
• 기계학습과 SDN을 활용한 인지 기반의 대역폭 할당을 통해 네트워크 성능 향상과 적응성 향상을 입증한다.
• 대규모 IoT 디바이스 연결성과 데이터 집약적인 애플리케이션을 지원하는 확장성 있고 안전하며 개방적인 스마트 시티 인프라용 프레임워크를 제공한다.

제안 방법

• 스마트 시티 혁신을 위한 SDN, AI, 빅데이터 통합 계층형 프레임워크를 제안하며, 인지 네트워크 관리에 중점을 둔다.
• 네트워크 상태 및 성능 메트릭을 기반으로 대역폭 할당 모델(BAM)을 동적으로 평가하고 재구성하기 위해 사례 기반 추론(CBR)과 강화 학습(RL)을 활용한다.
• 오픈플로우를 통해 네트워크 상태의 중앙집중식이고 글로벌한 시각을 확보하고, LSP(라벨 스위칭 경로) 설정, 우선순위 변경, 해제를 프로그래밍 가능하게 제어한다.
• 네트워크 성능(예: 링크 활용도, 패킷 손실)을 평가하고 실시간으로 BAM 설정을 자율적으로 조정하는 인지 관리 시스템을 구현한다.
• 실제 스마트 시티 트래픽을 시뮬레이션하기 위해 MPLS 기반 네트워크 환경에 시스템을 구현하며, 다양한 QoS 및 QoE 요구 조건을 반영한다.
• trafic 패턴, 성능 데이터, 정책 목표를 처리하고 관련시켜 의사결정에 기반을 두기 위해 빅데이터 분석을 통합한다.

실험 결과

연구 질문

• RQ1 SDN과 AI를 어떻게 조합하여 복잡한 스마트 시티 환경에서 동적이고 자율적인 네트워크 재구성을 가능하게 할 수 있는가?
• RQ2 다중 클래스, 고밀도 트래픽을 특징으로 하는 MPLS 네트워크에서 인지 기반의 대역폭 할당에 가장 효과적인 기계학습 기법은 무엇인가?
• RQ3 기존 IP 네트워크에 비해 오픈플로우 기반 SDN은 네트워크 제어의 반응성과 일관성 측면에서 얼마나 향상될 수 있는가?
• RQ4 CBR와 RL의 통합은 다수의 상충되는 목표 하에서 대역폭 할당의 의사결정 과정을 어떻게 향상시키는가?
• RQ5 인지 관리 시스템은 기존 MPLS 운영과의 후행 호환성을 유지하면서도 네트워크 성능을 실시간으로 최적화할 수 있는가?

주요 결과

• 기계학습 기반의 인지 관리 시스템은 이력 네트워크 정책 및 성능 데이터를 학습하여 BAM 모델을 자율적으로 재구성하는 데 성공했다.
• 네트워크 성능은 정의된 관리 목표에 부합하여 패킷 손실 감소 및 링크 활용도 최적화를 달성했다.
• SDN/오픈플로우를 활용해 LSP를 실시간으로 재구성함으로써 수동 조작 없이 변화하는 트래픽 부하에 동적으로 적응할 수 있었다.
• CBR와 RL의 통합은 기존 히우리스틱 방법으로는 구현이 어려운 복잡한 다중 목표 최적화 문제를 처리할 수 있도록 했다.
• 오픈플로우는 네트워크 상태에 대한 일관되고 글로벌한 시각을 제공하여 이질적인 네트워크 경로 전반에 걸쳐 정확하고 신뢰할 수 있는 대역폭 할당 결정을 가능하게 했다.
• 프레임워크는 AI와 SDN을 통한 인지 기반 관리가 스마트 시티 네트워크 인fra에서 확장성, 효율성, 반응성 향상에 크게 기여할 수 있음을 입증했다.