[논문 리뷰] Two Use Cases of Machine Learning for SDN-Enabled IP/Optical Networks: Traffic Matrix Prediction and Optical Path Performance Prediction

Gagan L. Choudhury, David F. Lynch외 2명|arXiv (Cornell University)|2018. 04. 20.

Software-Defined Networks and 5G참고 문헌 15인용 수 5

한 줄 요약

이 논문은 SDN 기반 IP/광대역 네트워크에서 두 가지 기계학습 응용 사례를 제안한다: 선제적 자원 최적화를 위한 트래픽 매트릭스 예측과 유연한 ROADM 네트워크에서의 광경로 성능 예측. SDN 컨트롤러를 통해 역사를 기반으로 한 데이터와 기계학습 모델을 활용하여, 다층 간 협업과 성능 예측을 통해 민첩하고 비용 효율적이며 강력한 네트워크 관리를 가능하게 하며, 실제 테스트베드에서의 구현 가능성을 입증한다.

ABSTRACT

We describe two applications of machine learning in the context of IP/Optical networks. The first one allows agile management of resources at a core IP/Optical network by using machine learning for short-term and long-term prediction of traffic flows and joint global optimization of IP and optical layers using colorless/directionless (CD) flexible ROADMs. Multilayer coordination allows for significant cost savings, flexible new services to meet dynamic capacity needs, and improved robustness by being able to proactively adapt to new traffic patterns and network conditions. The second application is important as we migrate our metro networks to Open ROADM networks, to allow physical routing without the need for detailed knowledge of optical parameters. We discuss a proof-of-concept study, where detailed performance data for wavelengths on a current flexible ROADM network is used for machine learning to predict the optical performance of each wavelength. Both applications can be efficiently implemented by using a SDN (Software Defined Network) controller.

연구 동기 및 목표

• 기계학습 기반 트래픽 매트릭스 예측을 통해 핵심 IP/광대역 네트워크에서 선제적이고 민첩한 자원 관리 구현.
• 세부 광학 파rameter 지식이 필요로 하지 않는 광경로 성능 예측을 통해 메트로 네트워크의 운영 복잡도 감소.
• SDN 컨트롤러와 기계학습을 조합하여 IP 및 광학 계층 간 공동 최적화의 구현 가능성을 입증.
• 오픈 ROADM 및 유연한 ROADM 아키텍처로의 전환을 지원하기 위해 자동화되고 성능 인식 기반의 라이트패스 프로비저닝을 가능하게 함.
• 색상 무관/방향 무관(CD) ROADM를 활용한 예측 기반 다층 간 협업을 통해 네트워크의 강성과 비용 효율성 향상.

제안 방법

• 기계학습 모델의 학습 입력으로 실제 유연한 ROADM 네트워크의 역사를 기반으로 한 트래픽 및 성능 데이터를 사용.
• IP 및 광학 계층 간의 단기 및 장기 트래픽 매트릭스 패턴을 예측하기 위해 지도 학습 기법을 적용.
• 회귀 및 분류 모델을 사용하여 개별 웨이브레인지의 성능 지표(예: OSNR, BER)를 예측.
• SDN 컨트롤러에 기계학습 예측을 통합하여 IP 및 광학 계층 자원의 동적이고 중심집중식 제어 및 공동 최적화를 구현.
• CD(색상 무관/방향 무관) 유연한 ROADM을 활용하여 기계학습 예측 기반의 동적 소프트웨어 제어 라이트패스 프로비저닝을 가능하게 함.
• 실증 구현을 통해 세부 광학 파rameter 지식이 없이도 성능 예측의 구현 가능성을 검증.

실험 결과

연구 질문

• RQ1 기계학습은 선제적 자원 프로비저닝을 위해 IP/광대역 네트워크에서 트래픽 매트릭스 패턴을 정확하게 예측할 수 있는가?
• RQ2 세부 광학 파ram터 지식 없이도 기계학습은 유연한 ROADM 네트워크에서 광경로 성능 예측에 얼마나 효과적인가?
• RQ3 기계학습 기반 예측은 SDN 제어 IP/광대역 환경에서 네트워크의 비용 효율성과 강성에 얼마나 기여하는가?
• RQ4 SDN 컨트롤러는 기계학습 기반 예측을 활용하여 IP 및 광학 계층 최적화를 효과적으로 조율할 수 있는가?
• RQ5 실제 메트로 네트워크 구현에서 기계학습 기반 성능 예측을 도입하는 데 실용적인 가능성이 있는가?

주요 결과

• 제안된 기계학습 기반 트래픽 매트릭스 예측은 IP 및 광학 계층 간 공동 최적화를 가능하게 하여 자원 활용도를 크게 향상시키고 운영 비용을 감소시킨다.
• 기계학습을 활용한 광학 성능 예측은 유연한 ROADM 네트워크에서 개별 웨이브레인지의 핵심 지표인 OSNR 및 BER를 정확하게 예측하는 데 높은 정확도를 달성한다.
• 시스템은 세부 광학 파ram터 지식이 없이도 정확한 성능 예측이 가능하다는 것을 입증하여 네트워크 관리의 단순화를 가능하게 한다.
• SDN 컨트롤러에 통합된 기계학습 예측은 기계학습 예측 기반 실시간 동적 라이트패스 프로비저닝을 가능하게 하여 네트워크의 민첩성과 복원력을 향상시킨다.
• CD 유연한 ROADM과 기계학습 예측의 조합은 동적 트래픽 조건 하에서 확장성 있고 비용 효율적이며 강력한 네트워크 운영을 가능하게 한다.
• 실증 결과는 기계학습이 메트로 및 핵심 IP/광대역 네트워크에서 자동화되고 성능 인식 기반의 네트워크 제어를 실현하는 데 있어 실용적 이점과 구현 가능성을 확인한다.