[论文解读] Towards Synthesizing Datasets for IEEE 802.1 Time-sensitive Networking

Doğanalp Ergenç, Nurefşan Sertbaş Bülbül+3 more|arXiv (Cornell University)|Aug 20, 2023

Network Time Synchronization TechnologiesComputer Science被引用 3

一句话总结

本文提出了一套用于生成IEEE 802.1时间敏感网络（TSN）的现实、公开数据集的框架，以支持关键任务系统中的人工智能/机器学习（AI/ML）研究。该框架明确了五项核心平台需求——真实MCS表示、广泛的TSN协议支持、可验证行为、组件可见性以及可扩展性，并评估了三种平台设计方案（硬件原型、混合仿真、仿真），最终得出结论：仿真在可扩展性、可配置性和可验证性之间提供了最佳平衡。

ABSTRACT

IEEE 802.1 Time-sensitive Networking (TSN) protocols have recently been proposed to replace legacy networking technologies across different mission-critical systems (MCSs). Design, configuration, and maintenance of TSN within MCSs require advanced methods to tackle the highly complex and interconnected nature of those systems. Accordingly, artificial intelligence (AI) and machine learning (ML) models are the most prominent enablers to develop such methods. However, they usually require a significant amount of data for model training, which is not easily accessible. This short paper aims to recapitulate the need for TSN datasets to flourish research on AI/ML-based techniques for TSN systems. Moreover, it analyzes the main requirements and alternative designs to build a TSN platform to synthesize realistic datasets.

研究动机与目标

• 为解决IEEE 802.1 TSN缺乏公开、现实数据集的问题，该问题阻碍了关键任务系统（MCSs）中的人工智能/机器学习研究。
• 识别并形式化一个能够合成可靠且具有代表性的数据集的TSN平台的核心需求。
• 基于其满足既定需求的能力，评估替代的平台设计方案——基于硬件的原型、混合仿真和仿真。
• 为创建公开可用、可复现且可扩展的TSN数据集奠定基础，以支持基于人工智能/机器学习的设计、配置和弹性技术。
• 通过一个可重用、开放的平台实现TSN增强型MCSs中的标准化实验与验证，以支持数据集生成。

提出的方法

• 设计一个准确模拟现实关键任务系统的TSN平台，包括真实的网络拓扑结构以及具有不同服务质量（QoS）和可靠性需求的服务类别。
• 确保支持一组全面的IEEE 802.1 TSN协议，包括P802.1Qbv（TAS）、P802.1Qav（CBS）、P802.1CB（FRER）和P802.1Qcc（SRP），以反映多样化的运行场景。
• 实施验证机制，以确认合成的网络行为（如延迟约束转发）准确反映TSN协议规范。
• 通过允许提取本地流量数据以及系统级通信追踪，实现对各个组件的可见性，以支持细粒度分析。
• 评估三种平台设计方案：基于硬件的原型（高现实性，可扩展性有限）、混合仿真（部分可扩展性，集成复杂）、仿真（高度可配置性、可扩展性和可验证性）。
• 选择仿真平台作为最具可行性的方案，因其具备灵活性、可配置性，并能嵌入运行时验证和协议抽象机制。

实验结果

研究问题

• RQ1 一个TSN平台要生成用于人工智能/机器学习研究的现实、公开数据集，其基本需求是什么？
• RQ2 在满足数据集合成核心需求方面，基于硬件的原型、混合仿真和仿真等不同平台设计方案如何比较？
• RQ3 仿真平台在多大程度上能够有效复现真实TSN行为，同时保持可扩展性和可验证性？
• RQ4 如何在TSN数据集生成平台中实现组件级可见性和系统级可追溯性？
• RQ5 协议支持的广度在实现多样化且具有代表性的TSN数据集生成中起到什么作用？

主要发现

• 仿真平台在可扩展性和可配置性方面表现最佳，因此最适于生成大规模、可复现的TSN数据集。
• 基于硬件的原型提供最高的现实性和可验证性，但存在协议支持有限和可扩展性差的问题。
• 混合仿真在可扩展性和可见性方面表现中等，但面临硬件与软件组件之间显著的集成与同步挑战。
• 对TSN协议行为（如TAS调度器中的延迟约束转发）的验证对于确保数据集的可靠性与正确性至关重要。
• 组件级可见性使得能够对单个设备行为进行独立分析，这对人工智能/机器学习模型中的异常检测和故障诊断至关重要。
• 缺乏公开的TSN数据集仍是人工智能/机器学习在MCSs中研究的主要障碍，亟需一个标准化、开放的平台用于数据集合成。