Μελέτη και Υλοποίηση Μεθόδων Βαθιάς Μηχανικής Μάθησης για την Εκτίμηση της Δικτυακής Κίνησης

Abstract

Ο πίνακας κίνησης είναι μια αφηρημένη δομή που περιγράφει την δικτυακή κίνηση (σε πακέτα ή bits ανά δευτερόλεπτο) που μεταφέρεται μεταξύ όλων των ζευγών ακραίων κόμβων μιας δικτυακής τοπολογίας. Η δομή αυτή καθίσταται ιδιαίτερα χρήσιμη στους διαχειριστές δικτύων μεγάλης κλίμακας για τον σχεδιασμό, την παρακολούθηση και την επίλυση προβλημάτων. Δυστυχώς, η απευθείας μέτρηση του πίνακα κίνησης είναι ακριβή υπολογιστικά και οδηγεί στην παραγωγή σημαντικού όγκου διαχειριστικών μηνυμάτων. Μια εναλλακτική λύση είναι η χρήση των ομαδοποιημένων φορτίων κίνησης που διέρχονται από τις ζεύξεις της τοπολογίας (και που μπορούν να αποκτηθούν εύκολα μέσω SNMP) ως δεδομένα για την έμμεση εξαγωγή του πίνακα κίνησης. Το πρόβλημα αυτό είναι γνωστό ως Εκτίμηση Πίνακα Κίνησης και ανήκει στην γενικότερη κατηγορία προβλημάτων της Τομογραφίας Δικτύου. Με δεδομένο ότι το πλήθος των ακραίων κόμβων είναι μεγαλύτερο από τον αριθμό των ζεύξεων του δικτύου, η Εκτίμηση Πίνακα Κίνησης μοντελοποιείται ως ένα γραμμικό αντίστροφο πρόβλημα που είναι υπό-ορισμένο (ill-posed), δηλαδή δεν επιδέχεται μοναδική λύση για είσοδο ενός συγκεκριμένου διανύσματος φορτίων ζεύξεων. Μια κατηγορία μοντέλων Βαθιάς Μηχανικής Μάθησης ειδικά σχεδιασμένη για την επίλυση αυτού του τύπου προβλημάτων είναι τα Αντιστρέψιμα Νευρωνικά Δίκτυα. Τα μοντέλα αυτά είναι εκ κατασκευής αντιστρέψιμα και κατόπιν εκπαίδευσης πάνω σε ένα γνωστό μετασχηματισμό δύνανται να αναπαραστήσουν και την αντίστροφη διαδικασία. Στην παρούσα εργασία κατασκευάζουμε μια αρχιτεκτονική Αντιστρέψιμου Νευρωνικού Δικτύου η οποία χρησιμοποιείται ως κύριος υπολογιστικός πυρήνας σε τρεις διαφορετικούς τρόπους εκπαίδευσης και λειτουργίας, με τον τελευταίο να μπορεί να παράγει και ρεαλιστικούς συνθετικούς πίνακες κίνησης. Επιπλέον τα τρία αυτά μοντέλα συνοδεύονται από ένα στάδιο προ-επεξεργασίας για την μείωση της διάστασης της εισόδου (τα Αντιστρέψιμα Νευρωνικά Δίκτυα επιβάλλουν οι διαστάσεις της εισόδου και της εξόδου να ταυτίζονται) το οποίο μοντελοποιείται μέσω ενός Αυτοκωδικοποιητή. Οι προτεινόμενες μέθοδοι αξιολογούνται πειραματικά πάνω σε ένα δημόσια διαθέσιμο δίκτυο κορμού, και συγκρίνονται τόσο μεταξύ τους όσο και με καθιερωμένες μεθόδους της βιβλιογραφίας με τα Αντιστρέψιμα Νευρωνικά Δίκτυα να εμφανίζουν πολύ ανώτερη απόδοση.