Elephant traffic engineering : adaptive routing with intelligent flow classification

Abstract

Celem rozprawy jest wykazanie, że integracja sieci sterowanych programowo (SDN), uczenia maszynowego (ML) i adaptacyjnego rutingu przepływów (FAMTAR) poprawia zarządzanie ruchem i jakość usług (QoS) w sieciach komputerowych, szczególnie poprzez wczesną identyfikację i obsługę dużych przepływów. Opracowano i oceniono mechanizmy łączące klasyfikację przepływów z inżynierią ruchu. W klasyfikacji zaproponowano metody wczesnego wykrywania elephant flows na podstawie nagłówków pakietów (5-tuple) przy użyciu ML. Badania dowiodły, że reprezentacja bitowa zwiększała dokładność, a najlepsze wyniki uzyskał klasyfikator drzew ekstremalnie zrandomizowanych, redukując operacje w tablicach przepływów 66,35- krotnie. W inżynierii ruchu zaproponowano system łączący klasyfikację ML z FAMTAR i SDN, który segreguje przepływy, optymalizuje routing i ogranicza przeciążenia. Skupienie się wyłącznie na największych przepływach zmniejsza wymagania wobec tablic FFT przełączników. Wkładem pracy jest opracowanie skutecznych technik klasyfikacji, porównanie modeli ML oraz ich integracja z FAMTAR i SDN. Wyniki potwierdzają, że takie podejście poprawia efektywność i stabilność sieci oraz QoS, zwłaszcza przy dużych obciążeniach.

The dissertation demonstrates that integrating Software- Defined Networking (SDN), Machine Learning (ML), and Flow-Aware Multi-Topology Adaptive Routing (FAMTAR) improves network traffic management and Quality of Service (QoS), particularly through early identification and handling of elephant flows. The study addresses two key areas: flow classification and traffic engineering. For classification, it proposes detecting elephant flows at early stages using only 5-tuple features with ML. Experiments show that bit-level representation consistently improved accuracy, with the extremely randomized tree classifier performing best, yielding a 66.35-fold reduction in flow table operations. In traffic engineering, a hybrid system combining ML-based classification with FAMTAR and SDN is introduced. It improves network performance by segregating flows, optimizing routing, reducing congestion, and enhancing resource use. Restricting traffic engineering to elephant flows significantly lowers Forwarding Flow Table (FFT) demands in switches. Contributions include accurate early flow classification techniques, comparison of ML models, and their integration with SDN and FAMTAR. Results confirm that this approach enhances efficiency, stability, and QoS, especially under heavy traffic loads.