[论文解读] Delay Bounds in Feed-Forward Networks - A Fast and Accurate Network Calculus Solution.

Steffen Bondorf, Paul Nikolaus+1 more|arXiv (Cornell University)|Mar 7, 2016

Interconnection Networks and Systems参考文献 13被引用 3

一句话总结

该论文提出了一种新颖的、快速的代数网络计算方法，用于在前馈网络中计算紧致的端到端延迟边界，相比基于优化的方法将计算时间显著减少了几个数量级，同时保持了高精度——在实验中平均仅偏离最优边界1.16%。

ABSTRACT

Guaranteeing accurate worst-case bounds on the end-to-end delay that data flows experience in communication networks is required for a variety of safety-critical systems, for instance in avionics. Deterministic Network Calculus (DNC) is a widely used method to derive such bounds. The DNC theory has been advanced in recent years to provide ever tighter delay bounds, though this turned out a hard problem in the general feed-forward network case. Currently, the only analysis to achieve tight delay bounds, i.e., best possible ones, is based on an optimization formulation instead of the usual algebraic DNC analysis. However, it has also been shown to be NP-hard and was accompanied by a similar, yet relaxed optimization that trades tightness against computational effort. In our article, we derive a novel, fast algebraic delay analysis that nevertheless retains a high degree of accuracy. We show in extensive numerical experiments that our solution enables the analysis of large-scale networks by reducing the computation time by several orders of magnitude in contrast to the optimization analysis. Moreover, in networks where optimization is still feasible, our delay bounds stay within close range, deviating on average by only 1.16% in our experiments.

研究动机与目标

• 为解决在大规模前馈网络中计算紧致端到端延迟边界这一挑战，这是飞行电子设备等安全关键系统的关键需求。
• 克服现有基于优化的方法在计算上的不可行性，这些方法属于NP难问题，对大规模网络不切实际。
• 开发一种代数方法，在显著提升计算效率的同时保持高精度，相比基于优化的解决方案具有显著优势。
• 使大规模网络的分析成为可能，因为以往基于优化的方法因计算时间过长而不再可行。

提出的方法

• 该方法在确定性网络计算（DNC）中引入了一种新的代数公式，通过利用前馈网络的结构特性，避免了复杂优化的需要。
• 采用改进的最小-正则代数框架，通过迭代的闭式计算来计算延迟边界，而非求解NP难的优化问题。
• 该方法利用前馈拓扑结构，将网络分解为可管理的子网络，并应用递归延迟边界传播。
• 引入一种松弛机制，在紧致性和计算成本之间实现平衡，确保在计算量减少的情况下精度仍接近最优。
• 该算法设计高效可扩展，通过相比迭代优化方法显著降低时间复杂度，实现对大规模网络的有效分析。

实验结果

研究问题

• RQ1 纯粹的代数网络计算方法是否能在显著更快的速度下实现与基于优化的方法相当的紧致延迟边界？
• RQ2 在大规模前馈网络中，代数方法在不牺牲精度的前提下，能将计算时间减少到何种程度？
• RQ3 在不同网络拓扑和流量模式下，所提出方法的精度与最优基于优化的解相比如何？
• RQ4 在所提出的代数框架中，计算效率与边界紧致性之间的权衡关系如何？

主要发现

• 所提出的代数方法相比基于优化的分析，将计算时间减少了几个数量级，从而实现了对大规模网络的分析能力。
• 在优化方法仍可行的网络中，该代数方法产生的延迟边界平均仅偏离最优边界1.16%。
• 该方法即使在复杂的前馈拓扑中也能保持高精度，无需求解NP难优化问题即可维持紧致边界。
• 该方法具有良好的可扩展性，使其在需要最坏情况延迟保证的实际安全关键系统中具有实用性。
• 大量数值实验表明，该方法始终能产生接近理论最优的边界，同时具备计算高效性。