[논문 리뷰] Towards Synthesizing Datasets for IEEE 802.1 Time-sensitive Networking

Doğanalp Ergenç, Nurefşan Sertbaş Bülbül외 3명|arXiv (Cornell University)|2023. 08. 20.

Network Time Synchronization TechnologiesComputer Science인용 수 3

한 줄 요약

이 논문은 임무 핵심 시스템에서 AI/ML 연구를 가능하게 하기 위해 실존하는 공개 데이터셋을 생성하기 위한 프레임워크를 제안한다. IEEE 802.1 시간 민감 네트워킹(TSN)을 대상으로 하며, 현실적인 MCS 표현, 광범위한 TSN 프로토콜 지원, 검증 가능한 동작, 구성 요소 가시성, 확장성이라는 다섯 가지 핵심 플랫폼 요구사항을 제시하고, 하드웨어 프로토타입, 하이브리드 에뮬레이션, 시뮬레이션의 세 가지 플랫폼 설계를 평가하여, 확장성, 설정 가능성, 검증 가능성을 고려할 때 시뮬레이션 기반 접근이 가장 적합하다고 결론내린다.

ABSTRACT

IEEE 802.1 Time-sensitive Networking (TSN) protocols have recently been proposed to replace legacy networking technologies across different mission-critical systems (MCSs). Design, configuration, and maintenance of TSN within MCSs require advanced methods to tackle the highly complex and interconnected nature of those systems. Accordingly, artificial intelligence (AI) and machine learning (ML) models are the most prominent enablers to develop such methods. However, they usually require a significant amount of data for model training, which is not easily accessible. This short paper aims to recapitulate the need for TSN datasets to flourish research on AI/ML-based techniques for TSN systems. Moreover, it analyzes the main requirements and alternative designs to build a TSN platform to synthesize realistic datasets.

연구 동기 및 목표

• IEEE 802.1 TSN에 대한 공개적이고 현실적인 데이터셋의 부족이 임무 핵심 시스템(MCS)에서의 AI/ML 연구를 저해하고 있는 문제를 해결하기 위해.
• 신뢰할 수 있고 대표적인 데이터셋을 생성할 수 있는 TSN 플랫폼의 핵심 요구사항을 식별하고 체계화하기 위해.
• 정의된 요구사항을 충족하는 능력에 기반해 하드웨어 기반 프로토타입, 하이브리드 에뮬레이션, 시뮬레이션과 같은 대안적 플랫폼 설계를 평가하기 위해.
• AI/ML 기반 설계, 설정, 내성 기법을 지원하기 위해 공개 가능하고 재현 가능하며 확장 가능한 TSN 데이터셋을 생성하기 위한 기반을 마련하기 위해.
• 재사용 가능한 개방형 플랫폼을 통해 TSN 기반 MCS에서 표준화된 실험과 검증을 가능하게 하기 위해.

제안 방법

• 실제 임무 핵심 시스템을 정확하게 모델링하는 TSN 플랫폼을 설계하여, 현실적인 네트워크 토폴로지와 다양한 서비스 클래스(각기 다른 QoS 및 신뢰성 요구사항을 가짐)를 포함하기 위해.
• P802.1Qbv(TAS), P802.1Qav(CBS), P802.1CB(FRER), P802.1Qcc(SRP)를 포함한 IEEE 802.1 TSN 프로토콜의 포괄적 지원을 확보하여 다양한 운영 시나리오를 반영하기 위해.
• 지연 시간 제약이 있는 전달과 같은 합성된 네트워크 동작이 TSN 프로토콜 사양에 정확히 부합하는지 검증하기 위한 메커니즘을 구현하기 위해.
• 개별 구성 요소에 대한 가시성을 제공하기 위해, 시스템 전체 통신 트레이스 외에도 로컬 트래픽 데이터 추출 기능을 허용하여 세분화된 분석을 가능하게 하기 위해.
• 세 가지 플랫폼 설계(하드웨어 기반 프로토타입, 하이브리드 에뮬레이션, 시뮬레이션)를 평가하기 위해: 하드웨어 기반 프로토타입(현실성 높음, 확장성 제한), 하이브리드 에뮬레이션(부분적 확장성, 통합 복잡성), 시뮬레이션(높은 설정 가능성, 확장성, 검증 가능성).
• 유연성, 설정 가능성, 런타임 검증 및 프로토콜 추상화 통합 능력 덕분에 시뮬레이션 플랫폼이 가장 실현 가능하다고 판단하여 이를 최적의 선택으로 선정하기 위해.

실험 결과

연구 질문

• RQ1 AI/ML 연구를 위한 실존하는 공개 TSN 데이터셋을 생성하기 위해 TSN 플랫폼이 충족해야 할 필수 요구사항은 무엇인가요?
• RQ2 하드웨어 프로토타입, 하이브리드 에뮬레이션, 시뮬레이션과 같은 다양한 플랫폼 설계가 데이터셋 합성에 필요한 핵심 요구사항을 얼마나 잘 충족하는가요?
• RQ3 시뮬레이션 플랫폼은 현실적인 TSN 동작을 얼마나 효과적으로 재현할 수 있으며, 동시에 확장성과 검증 가능성을 어떻게 확보할 수 있나요?
• RQ4 TSN 데이터셋 생성 플랫폼에서 구성 요소 수준의 가시성과 시스템 전체의 추적 가능성을 어떻게 달성할 수 있나요?
• RQ5 다양하고 대표적인 TSN 데이터셋 생성을 가능하게 하기 위해 프로토콜 지원의 광범위성은 어떤 역할을 하나요?

주요 결과

• 시뮬레이션 플랫폼은 가장 높은 확장성과 설정 가능성을 제공하여 대규모로 재현 가능한 TSN 데이터셋 생성에 가장 적합하다.
• 하드웨어 기반 프로토타입은 가장 높은 현실성과 검증 가능성을 제공하지만, 프로토콜 지원 범위가 제한되고 확장성이 떨어지는 단점이 있다.
• 하이브리드 에뮬레이션은 중간 정도의 확장성과 가시성을 제공하지만, 하드웨어와 소프트웨어 구성 요소 간의 통합 및 동기화 문제로 인해 큰 도전 과제를 안고 있다.
• TSM 프로토콜 동작(예: TAS 스케줄러에서의 지연 시간 제약 전달)의 검증은 데이터셋의 신뢰성과 정확성을 확보하기 위해 필수적이다.
• 구성 요소 수준의 가시성은 개별 장치의 동작을 고립적으로 분석할 수 있게 하며, 이는 AI/ML 모델에서 이상 탐지 및 장애 진단에 매우 중요하다.
• 공개 TSN 데이터셋의 부족은 MCS에서의 AI/ML 연구를 저해하는 주요 장애물이며, 표준화되고 개방된 플랫폼을 통한 데이터셋 합성 기반의 표준화된 접근이 필수적이다.