WAVE - Um gerador de cargas múltiplas para experimentação em redes de computadores

• Leandro C. de Almeida IFPB / UFSCar http://orcid.org/0000-0003-4342-3030
• Jefferson L. F. da Silva IFPB https://orcid.org/0000-0002-0684-7398
• Ricardo P. Lins IFPB https://orcid.org/0000-0002-1780-190X
• Paulo Ditarso Maciel Jr. IFPB https://orcid.org/0000-0002-0732-752X
• Rafael Pasquini UFU https://orcid.org/0000-0002-8781-3914
• Fábio L. Verdi UFSCar https://orcid.org/0000-0002-5455-8910

DOI: https://doi.org/10.5753/sbrc_estendido.2023.712

Resumo

A experimentação é uma etapa imprescindível para muitos tipos de pesquisas científicas, visto que a partir dela o pesquisador pode observar a validade de suas hipóteses. No contexto de redes de computadores, durante a fase de experimentação, é desafiador encontrar geradores de carga que sejam capazes de modelar padrões de tráfego para os mais diversos tipos de aplicações. Neste sentido, este trabalho apresenta o WAVE - uma carga de trabalho para experimentos verificáveis. Tendo como característica ser agnóstico à aplicação, o WAVE foi amplamente executado em testes de carga para aplicações de vídeo sob demanda e armazenamento de chave-valor. Na versão atual, o WAVE é capaz de gerar cargas para dois padrões distintos: sinusoidal e flashcrowd.

Referências

Almeida, L., Verdi, F., and Pasquini, R. (2021). Estimando métricas de serviço através de in-band network telemetry. In Anais do XXXIX Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 252–265, Porto Alegre, RS, Brasil. SBC.

Ari, I., Hong, B., Miller, E., Brandt, S., and Long, D. (2003). Managing flash crowds on the internet. In MASCOTS 2003, pages 246–249.

Benson, T. et al. (2010). Understanding data center traffic characteristics. SIGCOMM Comput. Commun. Rev., 40(1):92–99.

de Almeida, L. C., Pasquini, R., and Verdi, F. L. (2021). Using machine learning and in-band network telemetry for service metrics estimation. In IEEE International Conference on Cloud Networking (CloudNet), pages 33–39.

Feibish, S. L., Liu, Z., Ivkin, N., Chen, X., Braverman, V., and Rexford, J. (2022). Flow-level loss detection with sketches. In Proceedings of the Symposium on SDN Research, SOSR ’22, page 25–32, New York, NY, USA. ACM.

Fernandes, S. (2017). Performance Evaluation for Network Services, Systems and Protocols. Springer.

Gombos, G., Mouw, M., Laki, S., Papagianni, C., and De Schepper, K. (2022). Active queue management on the tofino programmable switch: The (dual)pi2 case. In IEEE Int. Conference on Communications (ICC), pages 1685–1691.

Horvath, G. and Fazekas, P. (2015). Modelling of youtube traffic in high speed mobile networks. In Proceedings of the 21th European Wireless Conference, pages 1–6.

Kundel, R. et al. (2018). P4-CoDel: Active Queue Management in Programmable Data Planes. In 2018 IEEE Conference on Network Function Virtualization and Software Defined Networks (NFV-SDN), pages 1–4.

Kundel, R. et al. (2020). P4STA: High Performance Packet Timestamping with Programmable Packet Processors. In NOMS 2020 2020 IEEE/IFIP Network Operations and Management Symposium, pages 1–9.

Leland, W. E. et al. (1993). On the self-similar nature of ethernet traffic. In Conf. Proceedings on Communications Architectures, Protocols and Applications, SIGCOMM ’93, page 183–193, New York, NY, USA. ACM.

Miranda, G. et al. (2022). Evaluating time-sensitive networking features on open testbeds. In IEEE INFOCOM 2022 IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), pages 1–2.

Soares, R. et al. (2020). EROS-5: Gerador de Tráfego Sintético para Redes 5G. In Anais Estendidos do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 41–48, Porto Alegre, RS, Brasil. SBC.

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