2020 Fiscal Year Annual Research Report
Resource Adjustment and Failure Recovery Techniques with High Efficient In-band Network Telemetry and Machine Learning for Network Slices
| Project/Area Number |
20H04173
|
|---|
| Research Institution | University of Fukui |
|---|
Principal Investigator |
橘 拓至 福井大学, 学術研究院工学系部門, 教授 (20415847)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
平田 孝志 関西大学, システム理工学部, 准教授 (10510472)
浦山 康洋 高知工業高等専門学校, ソーシャルデザイン工学科, 講師 (80805143)
望月 バドル 京都情報大学院大学, その他の研究科, 講師 (10838460)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | ネットワークスライシング / INT技術 / 機械学習 / SDN / P4 |
|---|
| Outline of Annual Research Achievements |
本研究課題では，5G・IoT サービスでの利用が期待されているネットワークスライシングに対して，変動の激しい大容量トラヒックを収容しながら障害から適切に復旧できるように，INT技術および機械学習を用いた資源調整・障害復旧技術を確立する．
本技術では，複数のネットワークスライスを同時かつ容易に監視するために，ネットワーク内部を監視可能なIn-band Network Telemetry にランダムサンプリングの概念を導入したランダムサンプリング型In-band Network Telemetry を確立する．本提案技術では，各ネットワークスライスに対してIn-band Network Telemetry の監視用パケットを確率的に割り当てることで，ネットワーク運用者が冗長なトラヒック増加を抑えつつ容易にネットワークスライスの状況を複数のネットワークスライスに対するネットワーク推定を容易に実現する．さらに，柔軟な拡張性を有した通信ネットワークにおいて5G・IoT サービスの通信品質を保証するために，ネットワークスライシング技術とサービスチェイニング技術を連携・併用した新たな技術を確立する．確立する技術では，レイヤが異なる複数のネットワークで構成された広域ネットワークにおいて，サービスチェインで利用する複数のVNF を多段多階層ネットワークスライシングと連携して動的に管理する．
本技術の性能をシミュレーションによって評価しその有効性を示す．また，実機実験環境の構築および実験評価の実施も目指す．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度はまず，割当資源量の最小化を実現するINT専用スライス構築技術を確立した．本方式はDeep Q-learningを利用した受付制御と予測情報からスライス資源量を増減する方式であり，Deep Q-learningで用いる報酬を適切に設定することでINTパケットの送信経路を決定して割当資源量が最小のINT用スライスを構築することができる．また，Deep Q-learningの学習時間を低減するために，新たにヒューリスティックアルゴリズムの検討も行った．
次に，INT専用スライス上に送信するINTパケットに対して，情報を収集するスライスを確率的に割り当ててINTスライス内のトラヒック量および各スライスの処理負荷を抑制する高効率INT技術を確立した．本技術では，処理負荷と推定精度を考慮して適切な確率を決定する．トラヒックの推定は，INTパケットによって収集したデータからランダムフォレストを用いてネットワークスライスの利用状況を分析できる．確立した技術は，仮想環境上のシミュレーションによって評価する．このとき，iperfを利用したUDP通信に対して性能を評価した．
さらに，オープンソースとP4言語とONOSを利用して，高効率INT技術を利用するネットワークスライスを仮想実験環境上で構築する．今年度は，ネットワーク内部の情報を収集可能な基盤環境をP4を用いて構築した．具体的には，バッファ内遅延やバッファ内パケット数などの情報を収集し，機械学習によるトラヒック推定で利用することができた．
|
| Strategy for Future Research Activity |
今後はまず，前年度に検討した機械学習を用いたネットワークスライスの資源調整技術と受付制御を改善する．前年度に確立した資源調整技術はDeep Q-learningを利用し状態に応じた適切な行動を導出することができている．この方式の性能を向上するために学習アルゴリズムを改良し，さらに学習データの利用法を変更することで性能を向上させる．さらに，利用スライス，要求パケット棄却率，要求伝送遅延の情報を推定して適切なスライスに割り当てる受付制御を改良し，予測結果からより適切な資源量を決定するアルゴリズムを提案する．
次に割当資源量の最小化を実現するINT専用スライス構築技術を引き続き確立して性能を改善する．今後は，前年度と同様に最適化問題とも組み合わせることでより適切な情報収集を実現する．特に提案方式の性能を評価し，ヒューリスティックアルゴリズムを確立できた場合は，性能が遺伝的アルゴリズムの解に近づくようにアルゴリズムを随時改良する．また，前年度に確立した確率的にデータ収集確率を変更するINTパケット選択技術を改良し，ネットワークの状況を予測しながら収集確率を動的に変更できるように改善を行う．
さらに，オープンソースのP4言語とONOSを利用して，高効率INT技術を利用するネットワークスライスを仮想実験環境上で構築を継続して実行する．収集確率を動的に変更する技術の実装や，機械学習を用いた受付制御による資源調整技術の実装を行う．また，INT専用スライスと資源調整アルゴリズムや受付制御技術との連携方法についても調査し，P4とONOSによる実装を行っていく．さらに，機械学習による予測結果をP4で利用できる環境の構築を行う．
|
