1 / 15

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

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

audra-knowles
Download Presentation

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

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 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

  2. 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

  3. オーバーレイネットワークを用いたトラヒック制御オーバーレイネットワークを用いたトラヒック制御 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 • 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)． 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 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 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

  4. 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:2 Transit ： 複数 hop に影響するが， 制御可能なのは 1 hop． AS:1 Peering : 影響範囲は 1 hop

  5. 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 制御がかかる場合 A 制御がかからない場合 B

  6. 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． クラスタ s2 s1 非代表ノード 代表ノード r2 r1

  7. 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． 近いとは限らない 見え方が似ている 他ノードへの経路は全く違う可能性も 近い 既存手法 提案手法

  8. 既存手法(最近傍へ所属) • 各クラスタの代表ノード (r1,…,rm)を検索． • 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 r 2 r 1 代表ノード 非代表ノード 新規参加ノード p クラスタ delay(p , r ) 1 r delay(p , r ) 2 3 delay(p , r ) 3

  9. 提案手法 • 各クラスタの代表ノード (r1,…,rm)を検索． • 自身(p)から全代表ノードへの品質を測定し，vpへ収納． • 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． 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 クラスタ r 2 r 1 代表ノード 非代表ノード 新規参加ノード p delay(r , r ) delay(p , r ) 3 1 1 v = v = r delay(r , r ) delay(p , r ) r 3 p 3 2 2 3 delay(p , r ) 0 3

  10. 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． | delay(s1, s2) - delay(r1, r2) | e(s1, s2) = max {delay(s1, s2), delay(r1, r2)} クラスタ s2 s1 非代表ノード 代表ノード r2 r1

  11. 提案アルゴリズムの評価～　比較対象と評価モデル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．

  12. アルゴリズム間の比較 Nearest Waxman BA e(si, sj) Vector l=2, n=300 % of clusters 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． Fullmesh

  13. 時系列で見た k-means (N=300,10クラスタ) • 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) • 最近傍，ベクトル方式でそれぞれ所属決定 • 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 • 2->3 繰り返し 重心再計算 所属再計算 BA Waxman Fullmesh vector nearest • 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．

  14. 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．

  15. 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．

More Related