Efficient and scalable load balancing through cross-plane cooperation

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Coelho, Bruno Loureiro
Orientador(a): Schaeffer Filho, Alberto Egon
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Balanceamento : Carga
Aprendizado de máquina
Trafego : Redes : Computadores
Aprendizado por reforço
Redes neurais
Palavras-chave em Inglês:
Traffic engineering
Programmable data planes
Elephant flow detection
Link de acesso: http://hdl.handle.net/10183/267703
Resumo: Balancear o tráfego de rede por meio de vários caminhos mais curtos tornou-se uma prática comum para obter uma utilização eficiente da infraestrutura de rede. Embora seja frequentemente utilizado, o Equal-Cost Multi-Path (ECMP) oferece um desempenho longe do ideal. Várias soluções de balanceamento de carga utilizam o Weighted-Cost MultiPath (WCMP), dividindo o tráfego entre links proporcionalmente aos pesos dos links. No entanto, a implementação do WCMP exige que o controlador atualize as regras de encaminhamento match+action sempre que os pesos devem ser alterados, introduzindo um atraso antes que a divisão de tráfego apropriada possa ser aplicada. Além disso, o WCMP divide o tráfego de rede baseando-se apenas nos pesos dos links, sem levar em conta as características ou necessidades de cada fluxo. Neste trabalho, propomos CrossBal, um sistema híbrido de balanceamento de carga baseado em Deep Reinforcement Learning (DRL) que concentra seus esforços em fluxos elefantes de alto impacto. O agente de DRL é modelado para ser capaz de utilizar os links de rede de forma eficiente e, ao mesmo tempo, minimizar o espaço de ação, permitindo que o agente aprenda rapidamente como balancear a carga. Além disso, o CrossBal pode reagir rapidamente às mudanças na rede monitorando e alternando as rotas ativas diretamente no plano de dados. Nossa avaliação mostra que o CrossBal consegue utilizar os recursos da rede de forma eficiente, usando a maioria dos links disponíveis, ao mesmo tempo que reduz o desequilíbrio na utilização dos links. Também avaliamos a detecção de fluxo elefante utilizada pelo CrossBal, mostrando como ele pode identificar rapidamente fluxos elefantes através do uso eficiente dos recursos do switch programável.
id URGS_9cb4b42874b8eeadedeaaf70c072ddb2
oai_identifier_str oai:www.lume.ufrgs.br:10183/267703
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Coelho, Bruno LoureiroSchaeffer Filho, Alberto Egon2023-11-28T03:22:46Z2023http://hdl.handle.net/10183/267703001188302Balancear o tráfego de rede por meio de vários caminhos mais curtos tornou-se uma prática comum para obter uma utilização eficiente da infraestrutura de rede. Embora seja frequentemente utilizado, o Equal-Cost Multi-Path (ECMP) oferece um desempenho longe do ideal. Várias soluções de balanceamento de carga utilizam o Weighted-Cost MultiPath (WCMP), dividindo o tráfego entre links proporcionalmente aos pesos dos links. No entanto, a implementação do WCMP exige que o controlador atualize as regras de encaminhamento match+action sempre que os pesos devem ser alterados, introduzindo um atraso antes que a divisão de tráfego apropriada possa ser aplicada. Além disso, o WCMP divide o tráfego de rede baseando-se apenas nos pesos dos links, sem levar em conta as características ou necessidades de cada fluxo. Neste trabalho, propomos CrossBal, um sistema híbrido de balanceamento de carga baseado em Deep Reinforcement Learning (DRL) que concentra seus esforços em fluxos elefantes de alto impacto. O agente de DRL é modelado para ser capaz de utilizar os links de rede de forma eficiente e, ao mesmo tempo, minimizar o espaço de ação, permitindo que o agente aprenda rapidamente como balancear a carga. Além disso, o CrossBal pode reagir rapidamente às mudanças na rede monitorando e alternando as rotas ativas diretamente no plano de dados. Nossa avaliação mostra que o CrossBal consegue utilizar os recursos da rede de forma eficiente, usando a maioria dos links disponíveis, ao mesmo tempo que reduz o desequilíbrio na utilização dos links. Também avaliamos a detecção de fluxo elefante utilizada pelo CrossBal, mostrando como ele pode identificar rapidamente fluxos elefantes através do uso eficiente dos recursos do switch programável.Load balancing network traffic through multiple shortest-paths has become common practice to efficiently utilize the network infrastructure. Despite widespread adoption, EqualCost Multi-Path (ECMP) delivers performance far from optimal. Several load balancing solutions utilize Weighted-Cost Multi-Path (WCMP), splitting incoming traffic between links proportionally to link weights. However, implementing WCMP requires the controller to update match+action rules whenever the weights must be changed, introducing a delay before the appropriate traffic split can be applied. Additionally, weighted traffic splits are applied over network flows without regard to flow characteristics or needs. We propose CrossBal, a hybrid load balancing system based on Deep Reinforcement Learning (DRL) that focuses its efforts on high-impact elephant flows. The DRL agent is modeled to be able to efficiently utilize network links while minimizing the action space, allowing the agent to quickly learn how to load balance. Further, CrossBal can quickly react to network changes by monitoring and switching active routes directly in the data plane. Our evaluation shows that CrossBal can efficiently utilize network resources, using most available links, while also reducing link utilization imbalance. We also evaluate the elephant flow detection employed by CrossBal, showing how it can quickly identify elephant flows while efficiently utilizing switch resources.application/pdfengBalanceamento : CargaAprendizado de máquinaTrafego : Redes : ComputadoresAprendizado por reforçoRedes neuraisTraffic engineeringProgrammable data planesElephant flow detectionEfficient and scalable load balancing through cross-plane cooperationBalanceamento de carga eficiente e escalável através da cooperação entre planos info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2023mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001188302.pdf.txt001188302.pdf.txtExtracted Texttext/plain218067http://www.lume.ufrgs.br/bitstream/10183/267703/2/001188302.pdf.txt343f68069533df58a58d4bc71588559dMD52ORIGINAL001188302.pdfTexto completo (inglês)application/pdf2166182http://www.lume.ufrgs.br/bitstream/10183/267703/1/001188302.pdfd3af072c260309e4b9ad9921aa5b4050MD5110183/2677032023-12-22 04:23:24.679045oai:www.lume.ufrgs.br:10183/267703Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-12-22T06:23:24Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Efficient and scalable load balancing through cross-plane cooperation
dc.title.alternative.pt.fl_str_mv Balanceamento de carga eficiente e escalável através da cooperação entre planos
title Efficient and scalable load balancing through cross-plane cooperation
spellingShingle Efficient and scalable load balancing through cross-plane cooperation
Coelho, Bruno Loureiro
Balanceamento : Carga
Aprendizado de máquina
Trafego : Redes : Computadores
Aprendizado por reforço
Redes neurais
Traffic engineering
Programmable data planes
Elephant flow detection
title_short Efficient and scalable load balancing through cross-plane cooperation
title_full Efficient and scalable load balancing through cross-plane cooperation
title_fullStr Efficient and scalable load balancing through cross-plane cooperation
title_full_unstemmed Efficient and scalable load balancing through cross-plane cooperation
title_sort Efficient and scalable load balancing through cross-plane cooperation
author Coelho, Bruno Loureiro
author_facet Coelho, Bruno Loureiro
author_role author
dc.contributor.author.fl_str_mv Coelho, Bruno Loureiro
dc.contributor.advisor1.fl_str_mv Schaeffer Filho, Alberto Egon
contributor_str_mv Schaeffer Filho, Alberto Egon
dc.subject.por.fl_str_mv Balanceamento : Carga
Aprendizado de máquina
Trafego : Redes : Computadores
Aprendizado por reforço
Redes neurais
topic Balanceamento : Carga
Aprendizado de máquina
Trafego : Redes : Computadores
Aprendizado por reforço
Redes neurais
Traffic engineering
Programmable data planes
Elephant flow detection
dc.subject.eng.fl_str_mv Traffic engineering
Programmable data planes
Elephant flow detection
description Balancear o tráfego de rede por meio de vários caminhos mais curtos tornou-se uma prática comum para obter uma utilização eficiente da infraestrutura de rede. Embora seja frequentemente utilizado, o Equal-Cost Multi-Path (ECMP) oferece um desempenho longe do ideal. Várias soluções de balanceamento de carga utilizam o Weighted-Cost MultiPath (WCMP), dividindo o tráfego entre links proporcionalmente aos pesos dos links. No entanto, a implementação do WCMP exige que o controlador atualize as regras de encaminhamento match+action sempre que os pesos devem ser alterados, introduzindo um atraso antes que a divisão de tráfego apropriada possa ser aplicada. Além disso, o WCMP divide o tráfego de rede baseando-se apenas nos pesos dos links, sem levar em conta as características ou necessidades de cada fluxo. Neste trabalho, propomos CrossBal, um sistema híbrido de balanceamento de carga baseado em Deep Reinforcement Learning (DRL) que concentra seus esforços em fluxos elefantes de alto impacto. O agente de DRL é modelado para ser capaz de utilizar os links de rede de forma eficiente e, ao mesmo tempo, minimizar o espaço de ação, permitindo que o agente aprenda rapidamente como balancear a carga. Além disso, o CrossBal pode reagir rapidamente às mudanças na rede monitorando e alternando as rotas ativas diretamente no plano de dados. Nossa avaliação mostra que o CrossBal consegue utilizar os recursos da rede de forma eficiente, usando a maioria dos links disponíveis, ao mesmo tempo que reduz o desequilíbrio na utilização dos links. Também avaliamos a detecção de fluxo elefante utilizada pelo CrossBal, mostrando como ele pode identificar rapidamente fluxos elefantes através do uso eficiente dos recursos do switch programável.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-11-28T03:22:46Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/267703
dc.identifier.nrb.pt_BR.fl_str_mv 001188302
url http://hdl.handle.net/10183/267703
identifier_str_mv 001188302
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/267703/2/001188302.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/267703/1/001188302.pdf
bitstream.checksum.fl_str_mv 343f68069533df58a58d4bc71588559d
d3af072c260309e4b9ad9921aa5b4050
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831316169068380160

Registros relacionados