Estimando métricas de serviço através de In-band Network Telemetry

• Leandro C. de Almeida IFPB / UFSCar
• Fábio L. Verdi UFSCar
• Rafael Pasquini UFU

DOI: https://doi.org/10.5753/sbrc.2021.16725

Resumo

Recentemente, novas abordagens de telemetria fina na rede, através de In-band network telemetry em equipamentos programáveis, têm entregue novas e precisas informações sobre o estado da rede. Neste contexto, este trabalho apresenta indícios de que é possível utilizar métricas finas de telemetria de rede em plano de dados programável, em conjunto com métodos de aprendizado de máquina, para estimar métricas de qualidade de serviço. Um prova de conceito minimalista foi realizada e resultados preliminares indicam que, com o auxílio de algoritmos de aprendizado de máquina, é possível estimar métricas de um serviço de vídeo a partir de métricas finas relacionadas aos buffers dos switches.

Referências

Arslan, S. and McKeown, N. (2019). Switches know the exact amount of congestion. In Proceedings of the 2019 Workshop on Buffer Sizing, BS ’19, New York, NY, USA. Association for Computing Machinery.

Bosshart, P., Daly, D., Gibb, G., Izzard, M., McKeown, N., Rexford, J., Schlesinger, C., Talayco, D., Vahdat, A., Varghese, G., and Walker, D. (2014). P4: Programming protocol-independent packet processors. SIGCOMM Comput. Commun. Rev., 44(3):87–95.

Boutaba, R., Salahuddin, M., Limam, N., Ayoubi, S., Shahriar, N., Estrada-Solano, F., and Caicedo Rendon, O. (2018). A comprehensive survey on machine learning for networking: Evolution, applications and research opportunities. Journal of Internet Services and Applications, 9.

Calasans, Marta e Lacerda, C. (2020). DASH sobre OpenFlow: estimando métricas de QoS a partir da rede. PhD thesis, Universidade Federal de Uberlândia, Uberlândia MG Brazil.

Cardwell, N., Cheng, Y., Gunn, C. S., Yeganeh, S. H., and Jacobson, V. (2016). Bbr: Congestion-based congestion control: Measuring bottleneck bandwidth and round-trip propagation time. Queue, 14(5):20–53.

Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. C. P. d. L. F. d. (2011). Inteligência artificial: uma abordagem de aprendizado de máquina. LTC.

Fernandes, J. R. M. (2018). Construção de um serviço conteinerizado de vídeo sob demanda baseado em DASH para experimentação e coleta de métricas de desempenho. PhD thesis, UNIVERSIDADE FEDERAL DE UBERL ˆANDIA.

Garcia, L. F. U., Villaça, R. S., Ribeiro, M. R. N., Martins, R. F. T., Verdi, F. L., and Marcondes, C. (2018). Introdução à linguagem p4 teoria e prática. Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC) Minicursos.

Hauser, F., Häberle, M., Merling, D., Lindner, S., Gurevich, V., Zeiger, F., Frank, R., and Menth, M. (2021). A survey on data plane programming with p4: Fundamentals, advances, and applied research.

ISO (2014). Dynamic adaptive streaming over http (dash)-part 1: Media presentation description and segment formats. ISO/IEC, pages 23009–1.

James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer Texts in Statistics. Springer, New York, NY.

Kim, Y., Park, J., Kwon, D., and Lim, H. (2018). Buffer management of virtualized network slices for quality-of-service satisfaction. In 2018 IEEE Conference on Network Function Virtualization and Software Defined Networks (NFV-SDN), number 18725013 in 1, pages 1–4, Verona, Italy. IEEE.

Kotsiantis, S., Kanellopoulos, D., and Pintelas, P. (2006). Data preprocessing for supervised learning. International Journal of Computer Science, 1:111–117.

Lederer, S. (2015). Why youtube & netix use mpeg-dash in html5. [link]. 5-beyond/. Accessed: 2020-03-24.

Li, Y., Miao, R., Liu, H. H., Zhuang, Y., Feng, F., Tang, L., Cao, Z., Zhang, M., Kelly, F., Alizadeh, M., and Yu, M. (2019). Hpcc: High precision congestion control. In Proceedings of the ACM Special Interest Group on Data Communication, SIGCOMM ’19, page 44–58, New York, NY, USA. Association for Computing Machinery.

McKeown, N., Anderson, T., Balakrishnan, H., Parulkar, G., Peterson, L., Rexford, J., Shenker, S., and Turner, J. (2008). Openow: Enabling innovation in campus networks. SIGCOMM Comput. Commun. Rev., 38(2):69–74.

P4 (2020). In-band network telemetry (int) dataplane specification. Technical report, P4 Consortium.

Stadler, R., Pasquini, R., and Fodor, V. (2017). Learning from network device statistics. J. Netw. Syst. Manag., 25(4):672–698.

Xiong, Z. and Zilberman, N. (2019). Do switches dream of machine learning? toward in-network classification. In Proceedings of the 18th ACM Workshop on Hot Topics in Networks, HotNets ’19, page 25–33, New York, NY, USA. Association for Computing Machinery.