[论文解读] Quality and Cost of Deterministic Network Calculus - Design and Evaluation of an Accurate and Fast Analysis

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

Formal Methods in Verification被引用 6

一句话总结

该论文提出了一种新型代数确定性网络计算（algDNC）算法，其精度接近最优，与ULP启发式方法相比平均偏差仅为1.142%，同时将计算时间减少了几个数量级。通过借鉴PMOO和LUDB原理，以组合式、穷尽分解策略重新构想代数DNC，该方法克服了传统algDNC及现有基于优化方法在可扩展性和精度方面的局限性。

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.

研究动机与目标

• 为解决确定性网络计算（DNC）分析在精度（质量）与计算成本之间权衡方面缺乏全面评估的问题。
• 挑战一种普遍观点，即基于优化的DNC（如ULP）是大型网络中唯一可行的高精度方法。
• 开发一种新型代数DNC方法，兼顾高精度与低计算成本，超越经典algDNC和现有optDNC启发式方法。
• 证明通过新型分解与求解策略，代数DNC可在精度与效率上实现显著提升。

提出的方法

• 该方法将寻找紧致延迟边界的问题从优化重构为代数组合，利用PMOO（服务部分序最大化）原则避免PSOO违规。
• 提出对前馈网络进行穷尽分解，划分为具有嵌套干扰模式的子级联链，从而推导并求解更精确的(min, +)-方程。
• 该算法系统性地枚举每个级联链的所有有效分解方案，计算每种方案下的延迟边界，并选择最小边界，确保结果比以往代数方法更紧致。
• 整合并扩展了LUDB与PMOO分析中的技术，同时避免了其局限性，如组合爆炸和缺乏PMOO合规性。
• 在新构建的基准数据集上进行评估，包含9种拓扑规模下共12,376个流延迟边界，实现与ULP及其他DNC变体的全面比较。
• 通过算法优化和避免昂贵的线性规划，实现计算效率的提升，使算法可扩展至更大规模网络。

实验结果

研究问题

• RQ1 ULP启发式方法，曾被认为是最高效的基于优化的DNC方法，实际上是否可扩展至中等规模网络？
• RQ2 代数DNC能否在不带来禁止性计算成本的前提下，实现精度的显著提升，以媲美基于优化的方法？
• RQ3 在现有DNC分析方法中，精度与计算成本之间的真实权衡关系是什么？
• RQ4 通过利用组合分解与PMOO原则，新型代数DNC公式能否同时实现高精度与低计算成本？

主要发现

• 此前被认为唯一可行的高精度方法ULP启发式，在中等规模网络中计算上已不可行，计算时间超出实用极限。
• 经典代数DNC（如SFA）的精度显著低于ULP，所评估网络中平均偏差达15.2%，最大偏差高达72.65%。
• 所提出的新型代数DNC算法与ULP边界相比，平均偏差仅为1.142%，展现出接近最优的精度。
• 与ULP相比，新算法的计算时间减少了几个数量级，使其在大规模前馈网络中具备可行性。
• 新方法在精度-成本权衡上优于SFA与ULP，成为唯一兼具高精度与计算可行性的分析方法。
• 本研究揭示现有DNC分析评估严重不足，所提方法填补了关键空白，为基于优化的方法提供了一种可扩展、高精度且高效的替代方案。