Proactive network and traffic aware network optimization

Résumé

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.

Date	18 août 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamed Cheriet (Directeur(-trice))