[论文解读] Evaluating Cbr Similarity Functions For Bam Switching In Networks With Dynamic Traffic Profile

Eliseu M. Oliveira, Rafael F. Reale+1 more|arXiv (Cornell University)|Jan 19, 2017

Service-Oriented Architecture and Web Services被引用 2

一句话总结

该论文在基于案例推理（CBR）框架下评估了相似性函数，以在具有动态流量的IP/MPLS网络中自主选择最优带宽分配模型（BAMs）。通过使用相似性函数检索与当前网络状况匹配的过往案例——基于流量度量、BAM行为及性能阈值——该系统成功推荐了适当的BAM切换，展示了CBR在由实时流量动态驱动的自适应网络管理中的潜力。

ABSTRACT

In an increasingly complex scenario for network management, a solution that allows configuration in more autonomous way with less intervention of the network manager is expected. This paper presents an evaluation of similarity functions that are necessary in the context of using a learning strategy for finding solutions. The learning approach considered is based on Case-Based Reasoning (CBR) and is applied to a network scenario where different Bandwidth Allocation Models (BAMs) behaviors are used and must be eventually switched looking for the best possible network operation. In this context, it is required to identify and configure an adequate similarity function that will be used in the learning process to recover similar solutions previously considered. This paper introduces the similarity functions, explains the relevant aspects of the learning process in which the similarity function plays a role and, finally, presents a proof of concept for a specific similarity function adopted. Results show that the similarity function was capable to get similar results from the existing use case database. As such, the use of similarity functions with CBR technique has proved to be potentially satisfactory for supporting BAM switching decisions mostly driven by the dynamics of input traffic profile.

研究动机与目标

• 为应对在IP/MPLS网络中因流量配置变化而动态选择最优带宽分配模型（BAMs）的挑战。
• 评估相似性函数在基于案例推理（CBR）检索阶段中用于BAM切换决策的有效性。
• 开发并验证一个CBR-BAM模块，使其能够从历史网络配置和性能案例中学习。
• 通过自动化BAM模型切换，最小化人工干预，实现自主网络管理。
• 评估相似性函数是否能够可靠地检索出适用于动态网络环境决策的相关历史案例。

提出的方法

• 采用CBR 4R循环（检索、重用、审查、保留）来使用历史案例建模网络管理决策。
• 通过上下文（BAM模型、策略限制、带宽约束）、问题症状（阻塞、抢占、降级）以及实时测量值（各流量类别的利用率、阻塞率、抢占率、降级率）定义案例属性。
• 设计了一种自定义相似性函数，通过在各流量类别和BAM类型上使用加权度量，计算当前案例与存储案例之间的距离。
• 实现了一个概念验证，涵盖54个案例，包括三种BAM模型（MAM、RDM、ATC-S）及每种模型下六种流量场景。
• 使用归一化欧几里得距离进行相似性计算，并为关键性能指标（如阻塞率、抢占率、利用率）分配权重。
• 通过模拟新案例（如Fred的案例）并测量其与预期BAM推荐的匹配度，对系统进行了验证。

实验结果

研究问题

• RQ1 在动态网络环境中，相似性函数在检索与BAM切换决策相关的过去案例方面的有效性如何？
• RQ2 哪些网络度量与BAM属性的组合能够在CBR网络管理中实现最准确的基于相似性的案例检索？
• RQ3 CBR-BAM模块能否基于历史案例数据，成功为新的流量条件推荐合适的BAM模型？
• RQ4 相似性函数在应对不断演变的流量配置时，能在多大程度上支持自主学习与自适应能力？
• RQ5 在不同流量动态和性能阈值下，系统在多种BAM模型（MAM、RDM、ATC-S）上的表现如何？

主要发现

• 相似性函数成功从CBR数据库中检索出相关历史案例，证明其能够识别出可比的网络状态。
• 在概念验证中，系统正确推荐MAM作为新案例（Fred）的最优BAM，该案例具有低利用率，与预期解决方案一致。
• 对于存在高阻塞或高抢占率的案例，系统始终一致地推荐切换至MAM或RDM，与预设决策规则相符。
• 相似性函数在案例检索中实现了高精度，排名靠前的案例在流量度量和BAM行为方面表现出高度一致性。
• CBR-BAM模块在多个测试场景中表现出一致性能，相似性评分表明所检索案例具有高度相关性。
• 结果证实，通过精心设计的相似性函数，CBR能够支持由动态流量配置驱动的自主BAM切换决策。