[논문 리뷰] Quality and Cost of Deterministic Network Calculus - Design and Evaluation of an Accurate and Fast Analysis

Steffen Bondorf, Paul Nikolaus외 1명|arXiv (Cornell University)|2016. 03. 07.

Formal Methods in Verification인용 수 6

한 줄 요약

이 논문은 전통적인 algDNC와 기존 최적화 기반 접근법의 확장성 및 정확성 한계를 극복하기 위해 PMOO 및 LUDB 원칙에 영감을 받은 구성적이고 철저한 분해 전략을 활용해 재구성된 대수적 DNC(algDNC) 알고리즘을 소개한다. 이 알고리즘은 ULP 히우리스틱에 비해 평균 1.142% 이내의 편차를 보이며, 계산 시간을 수개의 지수 차수만큼 감소시켜 근사 최적의 정확도를 달성한다.

ABSTRACT

Networks are integral parts of modern safety-critical systems and certification demands the provision of guarantees for data transmissions. Deterministic Network Calculus (DNC) can compute a worst-case bound on a data flow's end-to-end delay. Accuracy of DNC results has been improved steadily, resulting in two DNC branches: the classical algebraic analysis and the more recent optimization-based analysis. The optimization-based branch provides a theoretical solution for tight bounds. Its computational cost grows, however, (possibly super-)exponentially with the network size. Consequently, a heuristic optimization formulation trading accuracy against computational costs was proposed. In this paper, we challenge optimization-based DNC with a new algebraic DNC algorithm. We show that: (i) no current optimization formulation scales well with the network size and (ii) algebraic DNC can be considerably improved in both aspects, accuracy and computational cost. To that end, we contribute a novel DNC algorithm that transfers the optimization's search for best attainable delay bounds to algebraic DNC. It achieves a high degree of accuracy and our novel efficiency improvements reduce the cost of the analysis dramatically. In extensive numerical experiments, we observe that our delay bounds deviate from the optimization-based ones by only 1.142% on average while computation times simultaneously decrease by several orders of magnitude.

연구 동기 및 목표

• 정확성(품질)과 계산 비용 사이의 상호작용에 대해 결정적 네트워크 계산(DNC) 분석의 종합적 평가가 부족한 문제를 해결하기 위해.
• 대규모 네트워크에 대해 최적화 기반 DNC(예: ULP)가 유일한 실현 가능한 고정확도 방법이라는 일반적인 믿음을 도전하기 위해.
• 고정확도와 저비용 계산을 동시에 확보하는 새로운 대수적 DNC 접근법을 개발하여 기존의 고전적 algDNC와 최적화 기반 heuristics를 모두 초월하기 위해.
• 대수적 DNC가 새로운 분해 및 해법 전략을 통해 정확도와 효율성 측면에서 크게 향상될 수 있음을 입증하기 위해.

제안 방법

• 긴밀한 지연 범위를 찾는 과정을 최적화에서 대수적 조합으로 재구성하여, PSOO 위반을 방지하기 위해 PMOO(서비스의 부분 순서 최대화) 원리를 활용한다.
• 피드포워드 네트워크를 내재된 간섭 패턴을 가진 하위 텐덤으로 철저히 분해함으로써 더 정밀한 (min, +)-방정식을 유도하고 해석할 수 있도록 한다.
• 각 텐덤에 대해 가능한 모든 유효한 분해 대안을 체계적으로 열거하고, 각각의 경우에 대해 지연 범위를 계산한 후 최소 지연 범위를 선택함으로써 이전의 대수적 방법보다 더 날카운 결과를 보장한다.
• LUDB 및 PMOO 분석에서 유래한 기법들을 통합하고 확장하면서도, 조합 폭발과 PMOO 준수 부족 등의 문제점을 피한다.
• 새로가운 벤치마크 세트(9종의 네트워크 크기, 총 12,376개의 플로우 지연 범위)를 활용해 ULP 및 기타 DNC 변종과의 종합적 비교를 수행한다.
• 알고리즘 최적화 및 비용이 많이 드는 선형 프로그래밍의 회피를 통해 효율성을 확보하여 더 큰 네트워크로의 확장성을 달성한다.

실험 결과

연구 질문

• RQ1 최근까지 가장 효율적인 최적화 기반 DNC 방법으로 여겨진 ULP 히우리스틱은 실제로 중간 크기의 네트워크에 대해서도 확장 가능한가?
• RQ2 비용이 막대하게 들지 않는 조건에서 대수적 DNC는 정확도를 크게 향상시켜 최적화 기반 방법과 견줄 수 있는가?
• RQ3 기존의 DNC 분석 방법들 사이에서 정확성과 계산 비용 사이의 진정된 상호작용은 어떠한가?
• RQ4 구성적 분해 및 PMOO 원리를 활용한 새로운 대수적 DNC 공식화는 고정확도와 저비용 계산을 동시에 달성할 수 있는가?

주요 결과

• 이전까지 고정확도 방법으로만 여겨졌던 ULP 히우리스틱은 중간 크기의 네트워크에서도 계산적으로 비현실적이며, 실용적인 한계를 초월해 계산 시간이 기하급수적으로 증가한다.
• 기존의 고전적 대수적 DNC(예: SFA)는 ULP보다 유의미하게 정확도가 떨어지며, 평균 15.2%의 편차와 평가된 네트워크에서 최대 72.65%의 편차를 보인다.
• 제안된 새로운 대수적 DNC 알고리즘은 ULP 기준 평균 1.142% 이내의 편차를 보이며, 정확도 면에서 근사 최적에 도달함을 입증한다.
• 새로운 알고리즘의 계산 시간은 ULP 대비 수개의 지수 차수만큼 감소하여 대규모 피드포워드 네트워크에 적용 가능한 것으로 입증된다.
• 이 새로운 방법은 정확도-비용 상호작용 측면에서 SFA 및 ULP를 모두 능가하며, 유일하게 고정확도이면서도 계산적으로 실현 가능한 분석 방법이 되었다.
• 본 연구는 현재의 DNC 분석이 충분히 평가되지 않았음을 드러내며, 최적화 기반 접근법에 대한 확장 가능하고 정확하며 효율적인 대안을 제공함으로써 중요한 격차를 메운다.