[论文解读] Two Use Cases of Machine Learning for SDN-Enabled IP/Optical Networks: Traffic Matrix Prediction and Optical Path Performance Prediction

Gagan L. Choudhury, David F. Lynch+2 more|arXiv (Cornell University)|Apr 20, 2018

Software-Defined Networks and 5G参考文献 15被引用 5

一句话总结

本文提出在SDN-enabled IP/光网络中应用两种机器学习技术：预测流量矩阵以实现主动资源优化，以及预测灵活ROADM网络中光路性能。通过SDN控制器，利用历史数据和机器学习模型，实现跨层协调与性能预测，从而实现敏捷、低成本且稳健的网络管理，已在真实试验平台上验证其可行性。

ABSTRACT

We describe two applications of machine learning in the context of IP/Optical networks. The first one allows agile management of resources at a core IP/Optical network by using machine learning for short-term and long-term prediction of traffic flows and joint global optimization of IP and optical layers using colorless/directionless (CD) flexible ROADMs. Multilayer coordination allows for significant cost savings, flexible new services to meet dynamic capacity needs, and improved robustness by being able to proactively adapt to new traffic patterns and network conditions. The second application is important as we migrate our metro networks to Open ROADM networks, to allow physical routing without the need for detailed knowledge of optical parameters. We discuss a proof-of-concept study, where detailed performance data for wavelengths on a current flexible ROADM network is used for machine learning to predict the optical performance of each wavelength. Both applications can be efficiently implemented by using a SDN (Software Defined Network) controller.

研究动机与目标

• 通过基于机器学习的流量矩阵预测，实现核心IP/光网络中主动、敏捷的资源管理。
• 通过在不依赖详细光参数知识的前提下预测光路性能，降低城域网络的运维复杂度。
• 展示在IP与光层之间联合优化中，使用机器学习与SDN控制器的可行性。
• 通过支持Open ROADM和灵活ROADM架构，实现基于性能感知的自动化光路配置。
• 通过基于颜色无关/方向无关（CD）ROADM的预测性多层协调，提升网络鲁棒性与成本效率。

提出的方法

• 利用真实灵活ROADM网络的历史流量与性能数据作为机器学习模型的训练输入。
• 采用监督学习技术，预测IP与光层之间的短期与长期流量矩阵模式。
• 应用回归与分类模型，预测单个波长的光性能指标（例如OSNR、BER）。
• 将机器学习预测结果集成至SDN控制器中，实现IP与光层资源的动态集中控制与联合优化。
• 利用CD（颜色无关/方向无关）灵活ROADM，基于机器学习预测实现动态、软件控制的光路配置。
• 通过概念验证实现，验证在不依赖详细光参数知识的前提下进行性能预测的可行性。

实验结果

研究问题

• RQ1 机器学习能否准确预测IP/光网络中的流量矩阵模式，以实现主动资源配置？
• RQ2 在不明确掌握光参数的情况下，机器学习在预测灵活ROADM网络中光路性能方面的有效性如何？
• RQ3 机器学习驱动的预测在SDN控制的IP/光环境中，能在多大程度上提升网络成本效率与鲁棒性？
• RQ4 SDN控制器能否有效利用基于机器学习的预测结果，协调IP与光层的优化？
• RQ5 在实际城域网络部署中，基于机器学习的性能预测具有多大实际可行性？

主要发现

• 所提出的基于机器学习的流量矩阵预测可实现IP与光层的主动联合优化，显著提升资源利用率并降低运营成本。
• 基于机器学习的光性能预测在预测灵活ROADM网络中单个波长的关键指标（如OSNR与BER）方面表现出高精度。
• 该系统表明，无需详细了解光参数知识即可实现高精度性能预测，从而简化网络管理。
• 与SDN控制器的集成可实现基于机器学习预测的实时、动态光路配置，提升网络敏捷性与弹性。
• 结合CD灵活ROADM与机器学习预测，可在动态流量条件下实现可扩展、低成本且稳健的网络运行。
• 概念验证结果证实了机器学习在实现城域与核心IP/光网络中自动化、性能感知网络控制方面的可行性与实际效益。