[论文解读] AMPF: Application-aware Multipath Packet Forwarding using Machine Learning and SDN

Thomas Valerrian Pasca S, Siva Sairam Prasad+1 more|arXiv (Cornell University)|Jun 18, 2016

Software-Defined Networks and 5G参考文献 9被引用 5

一句话总结

该论文提出AMPF，一种基于机器学习（C4.5决策树）与软件定义网络（SDN）的应用感知多路径数据包转发框架，通过44个NetFlow参数对网络流进行分类，并根据服务质量（QoS）需求动态分配至最优路径。该系统通过优先处理流而不依赖深度包检测（DPI）或报文检查，在Mininet仿真中显著提升了吞吐量与延迟表现，优于传统设置。

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).

研究动机与目标

• 解决现代网络中应用对带宽、延迟和抖动需求各异所带来的异构QoS需求挑战。
• 在不依赖深度包检测（DPI）或端口/协议启发式方法的前提下，实现在SDN环境中的应用感知流量分类。
• 基于实时网络状态与应用优先级，利用SDN动态为流分配最优网络路径。
• 通过将基于机器学习的流分类与基于SDN的路径选择相结合，提升多路径网络中的端到端性能。
• 在真实网络场景中，证明一种主动式、集中式且可扩展的QoS感知多路径转发系统的可行性与有效性。

提出的方法

• 系统采用监督式机器学习方法，利用C4.5决策树基于44个NetFlow参数（不含端口与协议）将网络流分类为优先级类别。
• 机器学习训练器（MLT）基于历史流数据训练分类器，而机器学习分类器（MLC）在SDN控制器中实时运行以预测流类别。
• SDN控制器实时收集网络状态信息，包括源与目的之间所有可用路径的可用带宽与延迟。
• 基于流的优先级类别与路径状态，控制器使用路径选择策略为每个流分配最合适的路径，并每90秒主动更新流规则。
• 通过在流过期前预先进行路径重路由，系统避免了TCP窗口收缩，从而维持稳定的吞吐量。
• 系统在OpenvSwitch上实现，并通过Mininet进行仿真，无需报文标记，保持与现有协议的向后兼容性。

实验结果

研究问题

• RQ1 机器学习能否在不依赖端口号或协议类型的情况下有效分类网络应用？
• RQ2 与传统路径分配相比，应用感知的多路径转发在吞吐量与抖动等QoS指标上的改善程度如何？
• RQ3 基于流优先级与网络状态的主动路径重分配，在多大程度上减少了TCP吞吐量的波动？
• RQ4 缺乏深度包检测（DPI）是否会影响分类准确性？其他流特征是否足以实现充分的区分能力？
• RQ5 在混合TCP与UDP流量及新流到达的动态负载条件下，系统性能表现如何？

主要发现

• AMPF系统在引入新流时，对高优先级流（Class 1）实现了显著更高的吞吐量，其吞吐量超过20 Mbps，优于未分类设置。
• 在应用感知模式下，Class 1流的抖动显著低于其他类别，尤其在高网络负载下表现更优，证明了对延迟敏感应用的有效优先处理。
• 在缺乏应用感知的情况下，抖动波动与类别优先级无关，导致高优先级流反而承受更大影响，凸显了智能分类的必要性。
• 由于每90秒主动进行路径重分配，系统维持了稳定的TCP吞吐量，有效避免了TCP窗口收缩。
• 端口号与协议被证明对应用分类无有效预测能力，ML模型完全依赖44个NetFlow参数实现准确的流分类。
• 在多次实验中，该框架在吞吐量与抖动方面均表现出明显性能提升，验证了其在异构、多路径网络环境中的有效性。