이 논문은 기계 학습을 이용한 제어 트래픽(control traffic) 예측 모델 수립을 위한 자동화 예측 모델 수립 프레임워크인 Elixir를 제시한다. 제어 트래픽은 소프트웨어 정의 네트워킹(Software-Defined Networking, SDN) 시스템에서 전체 시스템의 신뢰성과 확장성을 좌우하기 때문에 필수적이다. 여러 연구에서는 SDN 시스템의 적절한 프로비저닝 및 계획 수립을 위해 제어 트래픽 예측 모델을 설계하고자 시도해 왔다. 그러나 기존에 제안된 모델들은 서술적 모델링(descriptive modeling)에 기반하며, 이는 특정 SDN 시스템 인스턴스에만 적합하다. 또한 이러한 모델들은 SDN 시스템의 이질성으로 인해 정확도가 낮으며(오류 최대 85%), 서술적 모델링은 상당한 수준의 인간의 숙고를 요구하므로 수많은 SDN 시스템 인스턴스에 대해 적절한 예측 모델을 수립하는 것은 불가능하다. Elixir는 기계 학습을 적용함으로써 이러한 문제를 해결한다. Elixir는 자체 생성한 데이터셋을 통해 모델 수립을 시작한다. 그 후, Elixir는 각 SDN 시스템에 대해 정확도를 맞추는 예측 모델을 탐색한다. 또한 Elixir는 모델 학습에 사용된 토폴로지와 다른 네트워크 토폴로지에서도 합리적인 정확도를 보이는 견고한 모델을 선택한다. 우리는 Elixir 프레임워크를 아홉 개의 이질적인 SDN 시스템에서 평가한다. 주요 결과로서 Elixir는 제어 트래픽 처리량(control traffic throughput)에 대한 기존 모델과 비교하여 최대 10.6배 향상에 해당하는 수준으로 예측 오류를 유의미하게 감소시킨다. 이는 OpenDayLight controller의 제어 트래픽 처리량에 대한 성능이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.