비디오 스트리밍은 전 세계 인터넷 트래픽의 주요 기여 요인 중 하나로 자리 잡았으며, 이는 네트워크 인프라에 상당한 도전 과제를 제기하고 있다. 소프트웨어 정의 네트워킹(SDN)은 중앙 집중형 제어와 실시간 적응성을 가능하게 함으로써 이러한 역동적이고 대역폭 집약적인 서비스를 관리하기 위한 유망한 해결책을 제공한다. 그러나 의사결정이 분리된 방식은 서버 작업량과 링크 혼잡 간의 상호작용을 반영하지 못하여, 종종 비효율적인 자원 배분으로 이어진다. 이 문제를 해결하기 위해 본 논문은 SDN 환경에서 비디오 스트리밍 성능을 최적화하기 위한 그래프 신경망(GNN) 기반 클라이언트-서버-링크(G-CSL) 예측 모델을 제시한다. G-CSL은 GNN 기반 링크 추정 모델과 함께 머신러닝 모델을 활용한다. 머신러닝은 비디오 스트리밍 서버의 CPU 활용률을 예측하며, 이는 클라이언트와 서버 간 링크 추정을 위한 노드 임베딩으로서 GNN 모델에 입력된다. 부하 예측을 위해 두 가지 머신러닝 모델과 두 가지 딥러닝 모델을 평가하였고, 랜덤 포레스트(RF)가 그에 대한 대체 모델보다 우수한 성능을 보였다. 링크 추정 과제에서는 전통적 모델과 GNN 기반 모델을 모두 고려한다. GraphSAGE는 클라이언트와 비디오 스트리밍 서버 간 링크의 존재를 정확하게 추정함으로써 다른 모델들보다 성능이 뛰어나다. 이후 경량 이웃 점수 휴리스틱이 가장 높은 신뢰 경로를 기준으로, 각 요청을 가장 덜 로드된 서버에 할당하며, 이를 통해 계산 여유(computational headroom)와 대역폭의 복합 효용을 극대화한다. GraphSAGE 모델에 대한 절제(ablation) 연구를 제시하여 배치 정규화, 쌍선형 디코더(bilinear decoders), 시간적 특징(temporal features), 임계값 기반 엣지 마스킹(threshold-based edge masking) 등 아키텍처 구성요소가 모델의 견고성을 향상시키는 데 중요함을 강조한다. 제안된 모델은 10,000건의 요청을 포함하는 현실적인 비디오 스트리밍 시나리오에서 평가되었고, 기존 기준 모델들과 비교되었다. 실험 결과에 따르면 G-CSL은 요청 드롭률을 61% 감소시켰으며, 요청당 평균 지연은 22 ms를 유지했고, 시스템 효용은 23% 향상되어 계산 자원과 대역폭 자원을 균형 있게 조절하는 데 있어 그 효과가 입증되었다.

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