La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Proactive network and traffic aware network optimization

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Bayati, Abdolkhalegh (2021). Proactive network and traffic aware network optimization. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of BAYATI_Abdolkhalegh.pdf]
Prévisualisation
PDF
Télécharger (3MB) | Prévisualisation

Résumé

The Information and Communication Technology (ICT) sector is rapidly becoming a big contributor among the energy-consuming sectors. Recent studies have shown that the ICT impact on global power consumption is non-negligible - about 4% (GeSi SMARTer2030, n.d.). This is due to a range of new technologies, including moving from 4G to 5G, the advent of the Internet of Things (IoT), the proliferation of electronic devices and the cost-effective production processes needed to manufacture such devices. Telecommunication networks consume 37% of ICT power consumption. In many developed countries, ICT-related sectors are on the top list of power consumers. Moreover, an increase in global ICT-related electricity consumption is projected by 2030 compared to 2020.

Traditionally, telecommunication networks have been designed to maximize the available bandwidth. This policy tends to minimize the replacement costs that occur when technologies are updated to increase either in the number of users or in the exchanged traffic. However, users access the network at different times of the day, and the applications usages are different in terms of traffic loads. Networks are dimensioned for the highest traffic demands so that the quantity of data flowing in the network usually is guaranteed below the maximum achievable data rates. The power consumption of network devices depends on the installed capacity of the underlying technology.

The key idea of the design and operation of Energy-Aware (EA) networks is to reduce the difference between the network’s utilization and the provided capacity. In order to minimize energy waste, or equivalently, to make the consumption of the network equal to the traffic load, different solutions are being studied. The existing approaches include two main categories:

1. Energy-proportional approaches try to achieve energy proportionality by adapting the devices’ speed (and capacity) to the actual load. In this case, link speed is decreased when the link is underutilized because the interface cards with lower transmission rates consume smaller amounts of power.

2. Sleep mode approaches affect the network as a whole and approximate load proportionality by carefully distributing the traffic in the network so that some devices are fully utilized, and other devices become idle and switched into sleep mode. In this case, the current devices’ energy consumption is practically independent of the load. Therefore, switching off the devices can save a consistent amount of energy. However, sleep modes introduce additional complexity to the network because it needs coordination among devices.

A famous method in energy-proportional approaches is known as Adaptive Link Rate (ALR). Adaptive link rate (ALR) is an effective means to save energy consumption of network elements by adjusting the link rate according to the carried traffic through a network-level optimization of the flow allocation process. In this research, we focus on ALR to provide a solution for the network energy efficiency problem. It is worth noting that current adaptation approaches are mainly reactive, in which link speed is adjusted when the traffic demand is changed. As the traffic flows fluctuate, the globally optimum network configuration changes over time, and the network requires reconfiguring to maintain the minimum power consumption. These approaches require multiple re-optimizations in each iteration which hurt Quality of Service (QoS) and network stability.

In this thesis, we propose a framework based on the Rate Adaptation using Prediction (RAP) to predictively optimize link rates based on the multiple-step-ahead forecasting traffic demand. RAP finds a network configuration that minimizes the energy cost in the current time slot as well as requires the minimum modifications to be adjusted to the demands in future time slots. We formulate RAP as an integer linear programming (ILP) model and propose a heuristic simulated annealing (SA) algorithm to solve it. The model has been evaluated over two well-known network topologies (GEANT and fat-tree) using real-life traffic data. Our experimental results show that our approach provides a significant energy-saving while it decreases (on average) %61 of re-optimizations in the energy-aware routing.

In this thesis, there are four notable contributions to this problem. First, we design a Gaussian Process Regression (GPR) kernel called semi-periodic self-similar (SPSS) covariance function, which is based on the traffic characteristics and shows a significant improvement in the traffic prediction accuracy compared to other methods. Second, we propose a GPR ensemble model to capture different volatile traffic patterns. The core of our proposed model is a novel method to optimize the accuracy-diversity balance between the base learners, which results in enhanced prediction performance. The third contribution is a multi-step-ahead prediction algorithm using the traffic characteristics. We showed how traffic’s multi-scale nature could be reflected in the multi-step-ahead prediction to reduce the error propagation in an extended prediction horizon. This approach outperforms existing powerful time-series algorithms such as LSTM. The fourth contribution is a network energy optimization model. While exiting energy efficiency optimization models consider only power consumption, we used traffic prediction to control and minimize the number of changes in the network during our online optimization solution. These four contributions are integrated into our proposed network energy framework, and we build a traffic-aware solution to reduce network power consumption with dynamic traffic.

Titre traduit

Optimisation proactive du réseau et du réseau sensible au trafic

Résumé traduit

Le secteur des Technologies de l’Information et de la Communication (TIC) devient rapidement un contributeur important parmi les secteurs énergivores. Des études récentes ont montré que l’impact des TIC sur la consommation d’énergie mondiale est non négligeable - environ 4% (GeSi SMARTer2030, n.d.). Cela est dû à une gamme de nouvelles technologies, incluant le passage de la 4G à la 5G, l’avènement de l’Internet des Objets (IdO), la prolifération des appareils électroniques, et les processus de production rentables nécessaires pour la fabrication de tels dispositifs. Les réseaux de télécommunications absorbent 37% de la consommation énergétique des TIC. Dans de nombreux pays développés, les domaines liés aux TIC figurent en tête de liste des consommateurs d’électricité. En outre, par rapport à l’année 2020, une augmentation de la consommation énergétique mondiale liée aux TIC est prévue d’ici l’année 2030.

Traditionnellement, les réseaux de télécommunication ont été conçus pour maximiser la bande passante disponible. Cette stratégie vise à minimiser les coûts de remplacement survenant lorsque les technologies sont mises à jour pour augmenter soit le nombre des utilisateurs, soit le trafic échangé. Cependant, les utilisateurs connectent au réseau à différents moments de la journée et accèdent à des applications hétérogènes en termes de bande passante requise. Les réseaux sont dimensionnés pour faire face aux demandes les plus élevées de sorte que le volume de données circulant sur les réseaux soit garanti en dessous des débits maximaux réalisables. La consommation électrique des dispositifs réseau dépend de la capacité de la technologie installée.

L’idée de base pour la conception et le déploiement des réseaux conscients de l’énergie est de réduire la différence entre l’utilisation et la capacité du réseau. Afin de minimiser la perte d’énergie, ou uniformément, rendre la consommation du réseau égale à la charge de trafic, différentes solutions sont à l’étude. Les approches existantes comprennent deux catégories principales:

1. Approches proportionnelles à l’énergie : Cette catégorie vise à atteindre une proportionnalité énergétique en adaptant la vitesse (et la capacité) des dispositifs au volume du trafic dans les liens. En fait, lorsqu’un lien est sous-utilisé, sa vitesse est baissée car les interfaces réseau ayant des taux de transmission réduits consomment de petites quantités d’énergie.

2. Approches du mode veille : Cette catégorie affecte le réseau entier en répartissant le volume du trafic réseau proportionnellement de façon que certains dispositifs soient complètement utilisés, alors que certains d’autres dispositifs deviennent inactifs et passent automatiquement en mode veille. Dans ce cas, la consommation d’énergie des dispositifs est pratiquement indépendante du volume du trafic. Par conséquence, l’extinction des appareils peut économiser une quantité importante de l‘énergie. Cependant, le mode de veille introduit une complexité supplémentaire pour le réseau vu qu’il nécessite une coordination entre les périphériques.

Une méthode réputée parmi les approches proportionnelles à l’énergie est connue sous le nom du débit du lien adaptatif (Adaptive Link Rate –ALR). Le débit du lien adaptatif est un moyen efficace pour économiser la consommation d’énergie des éléments du réseau en ajustant le débit du lien en fonction du trafic transmis grâce à un processus d’optimisation d’allocation des flux réseau. Dans cette recherche, nous nous focalisons sur l’approche ALR pour résoudre le problème d’efficacité énergétique du réseau. Il faut noter que les approches d’adaptation existantes sont principalement réactives avec lesquelles le débit du lien est ajusté selon le changement de la demande du trafic. Au fur et à mesure que les flux du trafic fluctuent, la configuration optimale du réseau en globale change au fil du temps. De l’autre côté, le réseau nécessite d’être reconfiguré pour garder la consommation d’énergie minimale. Ainsi, au cours de chaque itération, plusieurs ré-optimisations nécessitent d’être exécutées, ce qui mène à la dégradation de la qualité de service (QoS) et à la stabilité du réseau, réduisant par conséquence la performance globale du réseau.

Dans cette thèse, nous visons à contribuer à une approche d’adaptation proactive. Nous proposons un système basé sur l’adaptation du débit en utilisant des techniques de prédiction (RAP- Rate Adaptation using Prediction) pour optimiser de manière prédictive les débits des liens en fonction de la prévision d’une demande du trafic à plusieurs étapes. RAP trouve une configuration du réseau qui minimise le coût énergétique au cours du créneau horaire actuel et qui nécessite que les modifications minimales soient ajustées avec les demandes du trafic des créneaux horaires futurs. Nous formulons RAP comme un modèle de programmation linéaire en nombres entiers (PLNE) et proposons une heuristique de recuit simulé (RS) pour le résoudre. Le modèle a été évalué sur deux topologies de réseau bien connues (GEANT et fat-tree) en utilisant des données de trafic réelles. Nos résultats expérimentaux démontrent que notre approche permet d’économiser considérablement l’énergie (61% en moyenne) avec des ré-optimisations liées au routage sensible à l’énergie.

Il y a quatre contributions principales dans cette thèse. Tout d’abord, nous avons conçu un noyau de régression de processus gaussien (GPR) appelé fonction de covariance semipériodique auto-similaire (SPSS), qui est basée sur les caractéristiques du trafic et démontre une amélioration significative de la précision des prévisions du trafic par rapport à d’autres méthodes. Deuxièmement, nous avons proposé un modèle d’ensemble GPR afin de capturer différents motifs (formes) de trafic volatil. Le noyau proposé de notre modèle d’ensemble présente une nouvelle méthode permettant d’optimiser l’équilibre précision-diversité entre les apprenants de base, ce qui résulte en une amélioration des performances de la prédiction. La troisième contribution est accomplie en caractérisant notre algorithme prédictif à multi-étapes-en-avance avec les attributs du trafic. Nous avons démontré comment la nature multi-échelle du trafic pourrait être reflétée dans la prédiction multi-étapes-en-avance pour réduire la propagation d’erreur dans un horizon de prédiction étendu. Cette approche surpasse les algorithmes existants et puissants de séries chronologiques tels que LSTM. La quatrième contribution concerne le modèle d’optimisation énergétique du réseau. Tandis que les modèles existants d’optimisation de l’efficacité énergétique ne prennent en compte que la consommation d’énergie, nous prenons en compte la prédiction du volume du trafic pour contrôler et minimiser le nombre de changements dans le réseau lors de l’exécution de notre approche d’optimisation en temps réel. Ces quatre contributions sont intégrées dans notre système énergétique du réseau et mettent en place une approche sensible au volume du trafic pour réduire la consommation d’énergie du réseau avec un trafic dynamique.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 157-165).
Mots-clés libres: vitesse de liaison adaptative, efficacité énergétique, apprentissage automatique, méthodes d’optimisation, modèles prédictifs, prévision du trafic, régression de processus Gaussien
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Cheriet, Mohamed
Programme: Doctorat en génie > Génie
Date de dépôt: 01 avr. 2022 17:35
Dernière modification: 01 avr. 2022 17:35
URI: https://espace.etsmtl.ca/id/eprint/2939

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt