Μελέτη και Υλοποίηση Εργαλείων Μηχανικής Μάθησης στην Τομογραφία Δικτύων Υπολογιστών

Abstract

Ο πίνακας κυκλοφορίας (Traffic Matrix) περιέχει το ποσό της κυκλοφορίας (σε πακέτα, ή bytes) μεταξύ όλων τον κόμβων ενός δικτύου. Δυστυχώς, η απευθείας μέτρηση των υπερβολικά πολλών πακέτων ή δεδομένων που διασχίζουν ένα δίκτυο είναι ασύμφορη, λόγω της μεγάλης χωρητικότητας και των πολλαπλών επεξεργαστικών μονάδων που χρειάζεται να λειτουργούν αδιάκοπα. Ωστόσο, ακόμα και με πολύ ισχυρά υπολογιστικά συστήματα, τα λάθη δεν είναι εφικτό να εξαλειφθούν και σημαντικά δεδομένα μπορεί να χαθούν. Μια λιγότερο κοστοβόρα προσέγγιση είναι η χρήση δεδομένων από τις ζεύξεις, τα οποία είναι εφικτό να αποκτηθούν ευκολότερα με τη χρήση του πρωτοκόλλου SNMP. Οι προαναφερθείσες μετρήσεις περιέχουν έμμεση πληροφορία για τον πίνακα κυκλοφορίας, οπότε ο τελευταίος μπορεί να εξαχθεί από αυτές. Η παρούσα διπλωματική εργασία εστιάζει στο πρόβλημα της Εκτίμησης Πίνακα κυκλοφορίας (Traffic Matrix Estimation), που ανήκει στην Τομογραφία Δικτύου (Network Tomography). Η προσέγγιση της διπλωματικής αυτής περιλαμβάνει την αξιοποίηση ενός γεννητικού μοντέλου μάθησης, που ονομάζεται Παραλλαγμένος Αυτοκωδικοποιητής (Variational Autoencoder), για να λύσει το προαναφερθέν κακώς-διατυπωμένο (ill-posed) πρόβλημα. Το πρόβλημα θεωρείται κακώς-διατυπωμένο, διότι ο πίνακας δρομολόγησης (routing matrix) δεν είναι full-rank, με αποτέλεσμα ο αριθμός των μεταβλητών να είναι πολύ μεγαλύτερος από τον αριθμό των εξισώσεων. Πιο αναλυτικά, εκπαιδεύουμε τον Αυτοκωδικοποιητή με προηγούμενα δεδομένα και αξιοποιούμε τον εκπαιδευμένο κωδικοποιητή για να μετατρέψουμε το πρόβλημά μας σε ένα πρόβλημα ελαχιστοποίησης σε έναν λανθάνοντα χώρο (latent space), το οποίο πλέον μπορεί να λυθεί εφαρμόζοντας έναν βελτιστοποιητή βασισμένο στην παράγωγο-κλίση (gradient-based optimizer). Επιπρόσθετα, ο εκπαιδευμένος κωδικοποιητής αξιοποιείται για να παράγει πίνακες κυκλοφορίας, οι οποίοι έχουν παρόμοια χαρακτηριστικά με τους υπόλοιπους που έχει εξετάσει. Τέλος, ερευνάται η σταδιακή βελτιστοποίηση (incremental optimization), η οποία κάνει χρήση των κωδικοποιητών όπως προκύπτουν κατά την εκπαίδευση του αυτοκωδικοποιητή. Τέλος, πραγματοποιείται αξιολόγηση των προτεινόμενων μεθόδων, χρησιμοποιώντας δεδομένα πινάκων κυκλοφορίας από ένα πραγματικό δίκτυο.