Next generation networks with extremely high data rates and various applications require intelligent networking systems that can support such demands reliably. Recently, machine learning paradigm has attracted increasing attention as a promising technology for such systems. In this dissertation we consider Gaussian process regression (GPR) based intelligent networking systems that guarantee given quality of service (QoS) requirements.
In Chapter 3, we propose an adaptive bandwidth allocation algorithm to satisfy the overflow probability QoS. In the proposed algorithm with GPR we consider the stochastic property of each sample path individually and compute the required bandwidth adaptively for each sample path by estimating its overflow probability. We investigate the computational complexity and performance of the proposed algorithm through simulations with real-world traffic as well as synthetic traffic and show that the proposed algorithm allocates the bandwidth adaptively and efficiently to satisfy the required QoS. We also analyze large-buffer asymptotics for Gaussian queues including non-stationary input processes to further improve the resource efficiency of the proposed algorithm in Chapter 4.
Next, we consider traffic load balancing in a multimedia multipath (MMMP) system that utilizes a variety of communication media and paths. In Chapter 5, we propose an online load balancing algorithm which does not require any information about the system. To this end, we introduce a probing period to collect training data for GPR and estimate the timeout probability of each path using the predictive distributions from GPR. We then analyze and minimize the cost function, the weighted sum of the timeout probabilities of the paths. Through extensive simulations under various scenarios, we demonstrate that the proposed algorithm balances the traffic load properly according to dynamic system conditions. Furthermore, we analyze the impact of probing packets on the network and design the proposed algorithm to reduce the communication overhead due to probing packets.
높은 전송속도와 다양한 기능을 갖춘 차세대 네트워크를 위해서는 이러한 요구를 신뢰성 있게 지원할 수 있는 지능형 네트워킹 시스템이 필요하다. 최근에는 기계 학습이 지능형 시스템을 위한 유망한 기술로 주목받고 있다. 본 논문에서는 주어진 quality of service(QoS) 조건을 보장하는 가우시안 확률과정 회귀 모델(Gaussian process regression, GPR) 기반 지능형 네트워킹 시스템을 다루고자 한다.
3장에서는 오버플로우 확률 조건을 만족하기 위한 적응형 대역폭 할당 알고리즘을 제안한다. 제안한 알고리즘은 GPR을 사용하여 각 표본경로의 특성을 고려하고, 오버플로우 확률을 예측하여 필요한 대역폭을 계산한다. 또한, 제안한 알고리즘의 복잡도를 분석하고, 합성 트래픽과 실제 트래픽을 사용한 시뮬레이션을 통해 알고리즘이 다양한 환경에 따라 QoS를 만족하도록 대역폭을 할당하는지 검증한다. 4장에서는 비정상 확률과정까지도 고려한 대기행렬의 점근식을 분석하여 알고리즘의 자원 효율성을 개선한다.
다음으로 5장에서는 여러 통신 매체와 경로를 동시에 활용하는 다매체 다중경로 시스템에서 해당 시스템의 정보를 필요로 하지 않는 온라인 학습 기반 부하 분산 알고리즘을 제안한다. 이를 위해, 프로빙 패킷을 사용하여 GPR에 사용할 학습 데이터를 수집하고, 학습을 통해 얻은 사후분포로 각 경로의 타임아웃 확률, 즉 지연이 주어진 한계보다 클 확률을 추정한다. 그리고 이러한 확률들의 가중평균인 비용함수를 분석하고 최소화한다. 다양한 시나리오를 고려한 실험을 통해, 제안한 알고리즘이 시간에 따라 변하는 시스템 환경에서도 적절히 트래픽 부하를 분산할 수 있는지 검증한다. 더 나아가, 프로빙 패킷이 네트워크에 주는 영향을 분석하여 프로빙 패킷으로 인한 오버헤드를 줄일 수 있게끔 알고리즘을 설계한다.
