Post on 01-Jan-2016
description
オーバーレイネットワークを用いたトラヒック制御と分散測定
2008.05.16
ITRC meet23 @名古屋ベンチャービジネスラボラトリー
NTT サービスインテグレーション基盤研究所亀井聡 川原亮一
はじめに ~オーバーレイネットワークのふたつの側面
実験的機能を追加するための上位レイヤネットワーク Mbone, 6bone, … Planetlab ( の実験インフラとしての側面 ) インターネットは専用線のオーバーレイ ( かつては )
→ 比較的きっちりしたノードによるネットワーク
( 主に ) エンドユーザノード ( 等 ) を用いた多ノード分散環境 P2P, DHT, Structured Overlay…
→ 比較的ゆるやかで柔軟なネットワーク
2
オーバーレイネットワークを用いたトラヒック制御
不安定なインターネット環境下において,多数の浮動ノードを用いることにより安定的で高信頼,高品質なオーバーレイインフラを構築することが目的.
既存のネットワーキング技術を多ノード,広域分散環境に適用することは困難であるのが実情 (OSPF でも数百でアウト ) .
センサー,ユビキタス等超大規模化への対応浮動 ( 低信頼 ) ノード上でのインフラ構築
オーバーレイネットワークを用いたトラヒック制御技術
インフラストラクチャ技術(OSPF, BGP, MPLS, etc…)
安定的物理網の上にインフラを構成
インフラストラクチャ技術(OSPF, BGP, MPLS, etc…)
安定的物理網の上にインフラを構成
アプリケーションレイヤ技術(P2P, DHT, etc…)
不安定な端末上にミドルウェアを構成
アプリケーションレイヤ技術(P2P, DHT, etc…)
不安定な端末上にミドルウェアを構成
3
既存のトラヒック制御の限界 ISP 間では…
DiffServ / MPLS の適用はルータ更改と ISP 間ポリシ調整が必要. BGP の枠内でもある程度は対応可能だが,実現は困難.また, Transit
と Peering の比率は国内では 1:5 程度であり,有効範囲も限定的. そもそも AS 内で品質が一定ではない.
AS:1
AS:2
Peering : 影響範囲は 1 hop
Transit : 複数 hop に影響するが, 制御可能なのは 1 hop .
4
クラスタ化したノード群によるトラヒック制御
クラスタヘッドにより 張られたオーバーレイ面
クラスタ集合
A
B制御がかからない場合
制御がかかる場合
5
クラスタ単位でのトラヒック制御 基本的なアイディア
測定元と測定先になるノード ( 以下測定ノード ) をクラスタ化することにより,測定対地の組数を削減する.
s1→s2 の測定を同一クラスタの代表ノードである r1→r2 の測定結果により代替する.
r1r2
クラスタ
代表ノード
s1
s2非代表ノード
6
インターネットの品質空間 非ユークリッド,高次元空間 ( 安定品質で見ても ) 距離だけに頼ったクラスタリングでは駄目 提案手法:単にノード間距離が近いノードを固める
のではなく,いくつかのノードの「見え方」が似ているノードを固める.
既存手法 提案手法
近い
他ノードへの経路は全く違う可能性も
近いとは限らない
見え方が似ている
7
既存手法 ( 最近傍へ所属 )
1. 各クラスタの代表ノード (r1,…,rm) を検索.2. 自身 (p) から全代表ノードへの品質を測定し最も遅延が短
かいクラスタへ所属.
遅延分布がユークリッド則に従わない場合に経路情報を反映できない
r1
r2
r3
p
delay(p, r1)
delay(p, r2)
delay(p, r3)
クラスタ
代表ノード非代表ノード新規参加ノード
8
提案手法1. 各クラスタの代表ノード (r1,…,rm) を検索.2. 自身 (p) から全代表ノードへの品質を測定し, vp へ収納.3. 代表ノードの測定結果 vri と vp を比較し,近いクラスタへ所属.
r1
r2
r3
p
delay(p, r1)
delay(p, r2)
delay(p, r3)
vp=delay(r3, r1)
delay(r3, r2)
0
vr3 =
クラスタ
代表ノード非代表ノード新規参加ノード
ネットワーク上での遅延による相対位置を反映できる可能性
9
提案アルゴリズムの評価~ 評価尺度 評価尺度
真の値である, delay(s1, s2) を delay(r1, r2) で近似しているため,誤差の評価には以下の式を用いる.
r1r2
クラスタ
代表ノード
s1
s2非代表ノード
| delay(s1, s2) - delay(r1, r2) |
max {delay(s1, s2), delay(r1, r2)}e(s1, s2) =
10
提案アルゴリズムの評価~ 比較対象と評価モデル 評価モデル
代表ノードの選択 k-means 法を利用
重心決定時に最近傍方式 ( 単純距離 ) と提案手法 ( ベクトル間距離 ) を用いる
トポロジ 一様乱数を用いて 2 次元空間上にノードを配置 トポロジシミュレータ BRITE を用いてリンク構造を生成
ランダムグラフ (Waxman モデル ) リンク次数がべき乗則に従うグラフ (Barabasi-Allbert モデル 以下BA)
全リンクを接続したフルメッシュグラフ パラメータ
全ノード数 (n) トポロジ (Waxman, BA, Fullmesh) トポロジ生成時のノードあたりの平均リンク次数 (l) 全ノード数に対するクラスタ数の比率 (m)
遅延 2点間の経路を最短路探索にて決定した後,経由リンクの幾何的距離
を加算,光速で割ることにより決定. 11
アルゴリズム間の比較
Waxman BA
Fullmesh
Nearest
Vector
それぞれトポロジを固定して,最近傍アルゴリズムと提案アルゴリズムを比較したもの.ノード数とリンク次数は固定.提案方式は 15step で切っている.
Waxman, BA ともに提案方式が良い性能を示している.差は BA のほうが顕著.
e(s
i, s
j)
% of clusters l=2, n=300
Copyright 2007 NTT Corporation, All Rights Reserved - 12
時系列で見た K-MEANS (N=300,10 クラスタ )
BA
Waxman
Fullmesh
vector nearest
重心再計算 所属再計算
1. ランダムに代表ノード決定 ( 本図では 300 ノード, 10 クラスタ )2. 最近傍,ベクトル方式でそれぞれ所属決定3. クラスタ毎に重心を計算
• 距離 ( 単純距離,ベクトル間距離 ) の合計値が最小になる代表ノードをクラスタ毎に決定4. 2->3 繰り返し
• vector の優位性確認なので,結果は良好だが nearest 方式はかなり悪い.• vector では一見したところトポロジ毎の差は見えない.• nearest のほうはかなり早期に収束している. vector は収束せず. 13
考察 ランダムトポロジやスケールフリートポロジにおい
ては提案アルゴリズムが全ての領域において優位性を示す.
特に,実インターネットに近いといわれるスケールフリートポロジにおいてその差は顕著.
14
まとめと今後の課題 大規模ネットワークにおけるスケーラブルな品質測
定のためのクラスタ方式について,トポロジシミュレータを用いた詳細評価を実施
提案手法の優位性が高いクラスタ数やトポロジ構造の条件を明確化.
大規模条件下でも提案アルゴリズムが有効であることが示せた.
今後の課題として,
ネットワーク変動への追従. AS 構造を反映したモデルの利用と,ネットワーク構造
を考慮したクラスタ化アルゴリズムとの比較. 15