Controle de Congestionamento em Data Center baseado em SDN e Aprendizado de Máquina: uma Proposta Preliminar
Resumo
Com novos serviços surgindo diariamente e cada vez mais dados sendo gerados e transferidos pela Internet, e por se tratar de um recurso ubíquo e compartilhado, o congestionamento em redes de computadores é um problema real e comum. Sobretudo, o congestionamento de redes de comunicação de data centers afeta o desempenho das aplicações e a qualidade do serviço. O presente trabalho discute uma possível solução para amenizar congestionamentos em data centers utilizando os recursos oferecidos por redes definidas por software e aprendizado de máquina.Referências
Bouzidi, E. H., Outtagarts, A. e Langar, R. (2019). Deep reinforcement learning application for network latency management in software defined networks. Em 2019 IEEE Global Communications Conference (GLOBECOM), páginas 1–6. IEEE.
Diel, G., Marcondes, A. e Koslovski, G. (2017). Uma ferramenta para evitar enlaces congestionados em redes definidas por software. Em Anais da XVII Escola Regional de Alto Desempenho do Estado do Rio Grande do Sul. SBC.
Estrada-Solano, F., Caicedo, O. M. e Da Fonseca, N. L. (2019). Nelly: Flow detection using incremental learning at the server side of sdn-based data centers. IEEE Transactions on Industrial Informatics, 16(2):1362–1372.
Floodlight (2011). Project floodlight. http://www.projectfloodlight.org/floodlight/. [acessado em 6 de Setembro de 2020].
Foundation, O. N. (2015). Openflow version 1.5. https:// www.opennetworking.org/wp-content/uploads/2014/10/ openflow-switch-v1.5.1.pdf.
Fu, Q., Sun, E., Meng, K., Li, M. e Zhang, Y. (2020). Deep q-learning for routing schemes in sdn-based data center networks. IEEE Access, 8:103491–103499.
Goodfellow, I., Bengio, Y., Courville, A. e Bengio, Y. (2016). Deep learning, volume 1. MIT press Cambridge.
Ha, S., Rhee, I. e Xu, L. (2008). Cubic: A new tcp-friendly high-speed tcp variant. SIGOPS Oper. Syst. Rev., 42(5):64–74.
Handley, M. (2006). Why the internet only just works. BT Technology Journal, 24(3):119–129.
Holness, F. e Phillips, C. (2000). Congestion control mechanism for traffic engineering within mpls networks. Em International Symposium on Networks and Services for the Information Society, páginas 254–263. Springer.
Jacobson, V. (1988). Congestion avoidance and control. ACM SIGCOMM computer communication review, 18(4):314–329.
Kandula, S., Sengupta, S., Greenberg, A., Patel, P. e Chaiken, R. (2009). The nature of data center traffic: measurements & analysis. Em Proceedings of the 9th ACM SIGCOMM conference on Internet measurement, páginas 202–208.
Kreutz, D., Ramos, F. M. V., Verı́ssimo, P. E., Rothenberg, C. E., Azodolmolky, S. e Uhlig, S. (2015). Software-defined networking: A comprehensive survey. Proceedings of the IEEE, 103(1):14–76.
Kühlewind, M., Neuner, S. e Trammell, B. (2013). On the state of ecn and tcp options on the internet. Em International Conference on Passive and Active Network Measurement, páginas 135–144. Springer.
Kuzmanovic, A., Mondal, A., Floyd, S. e Ramakrishnan, K. (2009). Adding explicit congestion notification (ecn) capability to tcp’s syn/ack packets. RFC5562.
Li, Y., Miao, R., Liu, H. H., Zhuang, Y., Feng, F., Tang, L., Cao, Z., Zhang, M., Kelly, F., Alizadeh, M. e Yu, M. (2019). Hpcc: High precision congestion control. Em Proceedings of the ACM Special Interest Group on Data Communication, SIGCOMM ’19, página 44–58, New York, NY, USA. Association for Computing Machinery.
Talpur, A. (2017). Congestion Detection in Software Defined Networks using Machine Learning. Tese de doutorado, PhD thesis, 02 2017.
Trois, C., Bona, L. C., Oliveira, L. S., Martinello, M., Harewood-Gill, D., Del Fabro, M. D., Nejabati, R., Simeonidou, D., Lima, J. C. e Stein, B. (2018). Exploring textures in traffic matrices to classify data center communications. Em 2018 IEEE 32nd International Conference on Advanced Information Networking and Applications (AINA), páginas 1123–1130. IEEE.
Diel, G., Marcondes, A. e Koslovski, G. (2017). Uma ferramenta para evitar enlaces congestionados em redes definidas por software. Em Anais da XVII Escola Regional de Alto Desempenho do Estado do Rio Grande do Sul. SBC.
Estrada-Solano, F., Caicedo, O. M. e Da Fonseca, N. L. (2019). Nelly: Flow detection using incremental learning at the server side of sdn-based data centers. IEEE Transactions on Industrial Informatics, 16(2):1362–1372.
Floodlight (2011). Project floodlight. http://www.projectfloodlight.org/floodlight/. [acessado em 6 de Setembro de 2020].
Foundation, O. N. (2015). Openflow version 1.5. https:// www.opennetworking.org/wp-content/uploads/2014/10/ openflow-switch-v1.5.1.pdf.
Fu, Q., Sun, E., Meng, K., Li, M. e Zhang, Y. (2020). Deep q-learning for routing schemes in sdn-based data center networks. IEEE Access, 8:103491–103499.
Goodfellow, I., Bengio, Y., Courville, A. e Bengio, Y. (2016). Deep learning, volume 1. MIT press Cambridge.
Ha, S., Rhee, I. e Xu, L. (2008). Cubic: A new tcp-friendly high-speed tcp variant. SIGOPS Oper. Syst. Rev., 42(5):64–74.
Handley, M. (2006). Why the internet only just works. BT Technology Journal, 24(3):119–129.
Holness, F. e Phillips, C. (2000). Congestion control mechanism for traffic engineering within mpls networks. Em International Symposium on Networks and Services for the Information Society, páginas 254–263. Springer.
Jacobson, V. (1988). Congestion avoidance and control. ACM SIGCOMM computer communication review, 18(4):314–329.
Kandula, S., Sengupta, S., Greenberg, A., Patel, P. e Chaiken, R. (2009). The nature of data center traffic: measurements & analysis. Em Proceedings of the 9th ACM SIGCOMM conference on Internet measurement, páginas 202–208.
Kreutz, D., Ramos, F. M. V., Verı́ssimo, P. E., Rothenberg, C. E., Azodolmolky, S. e Uhlig, S. (2015). Software-defined networking: A comprehensive survey. Proceedings of the IEEE, 103(1):14–76.
Kühlewind, M., Neuner, S. e Trammell, B. (2013). On the state of ecn and tcp options on the internet. Em International Conference on Passive and Active Network Measurement, páginas 135–144. Springer.
Kuzmanovic, A., Mondal, A., Floyd, S. e Ramakrishnan, K. (2009). Adding explicit congestion notification (ecn) capability to tcp’s syn/ack packets. RFC5562.
Li, Y., Miao, R., Liu, H. H., Zhuang, Y., Feng, F., Tang, L., Cao, Z., Zhang, M., Kelly, F., Alizadeh, M. e Yu, M. (2019). Hpcc: High precision congestion control. Em Proceedings of the ACM Special Interest Group on Data Communication, SIGCOMM ’19, página 44–58, New York, NY, USA. Association for Computing Machinery.
Talpur, A. (2017). Congestion Detection in Software Defined Networks using Machine Learning. Tese de doutorado, PhD thesis, 02 2017.
Trois, C., Bona, L. C., Oliveira, L. S., Martinello, M., Harewood-Gill, D., Del Fabro, M. D., Nejabati, R., Simeonidou, D., Lima, J. C. e Stein, B. (2018). Exploring textures in traffic matrices to classify data center communications. Em 2018 IEEE 32nd International Conference on Advanced Information Networking and Applications (AINA), páginas 1123–1130. IEEE.
Publicado
25/11/2020
Como Citar
DIEL, Gustavo; KOSLOVSKI, Guilherme Piêgas.
Controle de Congestionamento em Data Center baseado em SDN e Aprendizado de Máquina: uma Proposta Preliminar. In: ESCOLA REGIONAL DE REDES DE COMPUTADORES (ERRC), 18. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 72-78.
DOI: https://doi.org/10.5753/errc.2020.15192.
