[논문 리뷰] AMPF: Application-aware Multipath Packet Forwarding using Machine Learning and SDN

Thomas Valerrian Pasca S, Siva Sairam Prasad외 1명|arXiv (Cornell University)|2016. 06. 18.

Software-Defined Networks and 5G참고 문헌 9인용 수 5

한 줄 요약

이 논문은 44개의 넷플로우 파라미터를 기반으로 네트워크 플로우를 분류하고 QoS 요구사항에 따라 유연하게 최적 경로에 할당하는 응용프로그램 인식 다중경로 패킷 포워딩 프레임워크인 AMPF를 제안한다. 기계학습(C4.5 결정트리)과 소프트웨어 정의 네트워킹(SDN)을 활용하여 DPI나 패킷 검사에 의존하지 않고도 성능을 향상시키며, mininet 시뮬레이션 환경에서 전통적인 설정보다 우수한 성능을 보였다.

ABSTRACT

This paper proposes an application-aware multipath packet forwarding framework that integrates Machine Learning Techniques (MLT) and Software Defined Networks (SDN). As the Internet provides a variety of services and their performance requirement has become heterogeneous, it is common to come across the scenario of multiple flows competing for a constrained resource such as bandwidth, less jitter or low latency path. Such factors are application specific requirement that is beyond the knowledge of a simple combination of protocol type and port number. Better overall performance could be achieved if the network is able to prioritize the flows and assign resources based on their application specific requirement. Our system prioritizes each of the flows using MLT and routes it through a path according to the flow priority and network state using SDN. The proof of concept implementation has been done on OpenvSwitch and evaluation results involving a large number of flows exhibited a significant improvement over the traditional network setup. We also report that the port number and protocol are not contributing to determine the application in the decision-making process of Machine Learning (ML).

연구 동기 및 목표

• 현대 네트워크에서 응용프로그램이 다양한 대역폭, 지연, 제트 요구사항을 가지는 이질적인 QoS 요구사항을 해결하기 위해.
• 딥패킷인식(DPI)이나 포트/프로토콜 히وري스틱스에 의존하지 않고 SDN 환경에서 응용프로그램 인식 트래픽 분류를 가능하게 하기 위해.
• SDN을 활용해 실시간 네트워크 상태와 응용프로그램 우선순위를 기반으로 플로우에 최적의 네트워크 경로를 동적으로 할당하기 위해.
• 기계학습 기반 플로우 분류와 SDN 기반 경로 선택을 통합하여 다중경로 네트워크에서 종단 간 성능을 향상시키기 위해.
• 실세계 네트워크 환경에서 사전적, 중심집중식, 확장 가능한 QoS 인식 다중경로 포워딩 시스템의 타당성과 효과성을 입증하기 위해.

제안 방법

• 시스템은 포트 및 프로토콜을 제외한 44개의 넷플로우 파라미터를 기반으로 우선순위 클래스로 네트워크 플로우를 분류하기 위해 지도 학습 기반의 C4.5 결정트리 접근법을 사용한다.
• 기계학습 트레이너(MLT)는 과거 플로우 데이터를 기반으로 분류기를 학습하고, 기계학습 분류기(MLC)는 SDN 컨트롤러 내에서 실시간으로 플로우 클래스를 예측한다.
• SDN 컨트롤러는 소스와 목적지 간 모든 경로의 가용 대역폭 및 지연을 포함한 실시간 네트워크 상태를 수집한다.
• 플로우 우선순위 클래스와 경로 상태를 바탕으로 컨트롤러는 경로 선택 정책을 적용하여 각 플로우에 가장 적합한 경로를 할당하며, 흐름 규칙을 매 90초마다 사전에 업데이트한다.
• 플로우 만료 전에 사전 경로 재할당을 통해 TCP 윈도우 감소를 방지함으로써 안정적인 대역폭 유지가 가능하다.
• 구현은 mininet 기반 시뮬레이션 환경에서 OpenvSwitch를 사용해 구현되었으며, 패킷 태깅이 필요로 하지 않아 기존 프로토콜과의 호환성이 유지된다.

실험 결과

연구 질문

• RQ1 포트 번호나 프로토콜 유형에 의존하지 않고 기계학습이 네트워크 응용프로그램을 효과적으로 분류할 수 있는가?
• RQ2 응용프로그램 인식 다중경로 포워딩은 기존 경로 할당 방식에 비해 대역폭 및 제트와 같은 QoS 지표를 어떻게 향상시키는가?
• RQ3 플로우 우선순위와 네트워크 상태를 기반으로 한 사전 경로 재할당이 TCP 대역폭 변동성을 어느 정도 감소시키는가?
• RQ4 딥패킷인식(DPI)이 없는 상황에서 분류 정확도가 손상되는가? 그리고 대체 플로우 특징이 충분한 분류 성능을 제공할 수 있는가?
• RQ5 혼합된 TCP 및 UDP 트래픽과 새로운 플로우 도착이 발생하는 동적 부하 조건 하에서 시스템은 어떻게 성능을 발휘하는가?

주요 결과

• AMPF 시스템은 새로운 플로우가 도착할 때 Class 1(고우선순위) 플로우의 대역폭이 20 Mbps를 초과하여, 분류되지 않은 설정에 비해 유의미하게 높은 대역폭 성능을 달성했다.
• 응용프로그램 인식 모드에서는 특히 고부하 상황에서 Class 1 플로우가 다른 클래스보다 훨씬 낮은 제트를 경험했으며, 지연 민감 응용프로그램에 대한 효과적인 우선순위 부여가 이루어졌음을 보여주었다.
• 응용프로그램 인식이 없는 경우 제트는 우선순위 클래스와 무관하게 변동성이 있었고, 고우선순위 플로우가 더 큰 영향을 받는 것으로 나타나 지능형 분류의 필요성을 입증했다.
• 매 90초마다 사전 경로 재할당을 통해 TCP 대역폭이 안정적으로 유지되었으며, TCP 윈도우 감소가 방지되었다.
• 포트 번호와 프로토콜은 응용프로그램 분류에 효과적인 예측 변수로 기능하지 않았으며, ML 모델은 정확한 플로우 분류를 위해 오직 44개의 넷플로우 파라미터에 의존하였다.
• 다양한 실험에서 시스템은 대역폭과 제트 측면에서 명확한 성능 향상을 보였으며, 이는 이질적이고 다중경로 네트워크 환경에서의 효과성을 입증했다.