1. 1 QoS Budget Allocation and Path Planning in All-IP Core Network 在 All-IP 核心網路上的品質預算之配置及路徑規劃 政治大學資訊科學所 指導教授 : 連耀南 學 生 : 林岳生

2. 2 Outline  Introduction and Related Work  System Model  Solution Approaches  Performance Evaluation  Experiment Design  Simulation Results  Conclusion and Future Work

3. 3 All-IP Network  All-IP Network 使用 packet switching 的 IP 網路承載各類網路應用 單一傳輸平台提供固定網路及行動網路上所有服務， 包 括語音、多媒體、資料等各類服務。  優點 減少建置與管理的成本 提供跨網路應用的平台  挑戰 異質網路整合 複雜的 QoS 問題

4. 4 Network Convergence => All-IP Network

5. 5 A Simplified All-IP Network Architecture

6. 6 Quality of Service  QoS aspects Long delay time Jitter Packet loss  More complicated QoS management

7. 7 QoS Management  IP Network QoS Architecture IntServ DiffServ  QoS Management Architecture TEQUILA Victor O.K. Li ’ s Architecture AQUILA BBQ (Budget-Based QoS Management)  Yao-Nan Lien, Hung-Ching Jang, Tsu-Chieh Tsai and Hsing Luh, 2005, "Budget Based QoS Management Infrastructure for All-IP Networks '', Proceedings of the IEEE 25th International Conference on Advanced Communication Technology

8. 8 BBQ Design Philosophy  Budget Based QoS Management  Pre-Planning vs. On-Demand Managements  Class Based Service Policies  Path Centric Per-Flow End-to-End QoS Assurance

9. 9 Bearer Service Architecture

10. 10 Key Tasks of Core Network  Resource Allocation  Admission Control  Routing (Path Planning)  Packet Forwarding

11. 11 Path Planning in BBQ  Bandwidth-Delay Constrained Routing Problem  Solved by Greedy Algorithm Greedy Path Planning Algorithm (GPPA)  Chung-Tsun Li and Yao-Nan Lien, 2003, "Path Planning in Budget-Based QoS Management for All-IP Core Networks" Fix quality bound and bandwidth capacity Allocated by the order of unit profit

12. 12 Quality is Load-dependent

13. 13 Related Work  KLONE algorithm Yao-Nan Lien and Yu-Sheng Huang, 2004, “ Delay Sensitive Routing for High Speed Packet- Switching Networks ”, Proceedings of the IEEE International Conference Networking, Sensing, and Control, March 21-23. 2004  Model as flow-based routing problem with links and nodes delay dependent on flows.

14. 14 Quality is Load-dependent Capacity Utilization Quality Bound 100%12ms 85%9ms 75%8ms 60%6ms

15. 15 Routing with Fixed Quality Bound  Node u  v ( Bandwidth Capacity, Quality Bound ) 1 3 2 4 5 7 6 (80MB, 10ms) (60MB, 6ms) (150MB, 10ms) (70MB,10ms) (90MB, 9ms) (80MB, 15ms) (100MB, 10ms) (100MB, 15ms) (40MB, 6ms) (60MB, 6ms)

16. 16 Capacity-Quality is Optional  Node u  v ( Bandwidth Capacity, Quality Bound ) 1 3 2 4 5 7 6 (80MB, 10ms) or (70MB, 8ms) (60MB, 6ms) (150MB, 10ms) or (130MB, 8ms) or (100MB, 6ms) (70MB, 10ms) (90MB, 9ms) (80MB, 15ms) or (50MB, 10ms) (100MB, 10ms) or (70MB, 7ms) (100MB, 15ms) or (80MB, 12ms) or (60MB, 10ms) (40MB, 6ms) (60MB, 6ms)

17. 17 Motivation  考量負載對於鏈結提供服務品質的影響，主動規劃 鏈結上的參數規劃，期望能提供較佳的繞徑規劃的 參數規劃。  網路營運者可靈活地管理網路，以到達營運者的運 作目標。

18. 18 Outline  Introduction and Related Work  System Model  Solution Approaches  Performance Evaluation  Experiment Design  Simulation Results  Conclusion and Future Work

19. 19 Quality Definition  假設只處理單一的 quality constraint  由網路營運者自行定義服務品質參數  服務品質定義， Ex:

20. 20 System Model  鏈結資源規劃最佳化 假設每個鏈結上有幾組 bandwidth capacity 與 quality 的選擇。 選出一組最佳的路徑規劃參數，提供為 QoS routing 規劃依據，使得獲利最大。

21. 21 Capacity-Delay is Optional  Node u  v ( Bandwidth Capacity, Quality Bound ) 1 3 2 4 5 7 6 (80MB, 10ms) or (70MB, 8ms) (60MB, 6ms) (150MB, 10ms) or (130MB, 8ms) or (100MB, 6ms) (70MB, 10ms) (90MB, 9ms) (80MB, 15ms) or (50MB, 10ms) (100MB, 10ms) or (70MB, 7ms) (100MB, 15ms) or (80MB, 12ms) or (60MB, 10ms) (40MB, 6ms) (60MB, 6ms)

22. 22 Notation

23. 23 System Model  給定一組網路拓樸 G(V,E) ， G 為 direct graph ，包 含 |V| 個 node 和 |E| 個 directed link ， V 是 node 的集 合， E 是 link 的集合。  在任一個 link e uv ，有 k 組參數，每組參數有兩個屬 性 ，一為此 link e uv 能提供的最大 bandwidth capacity ，另一為此 capacity 所能 提供的 quality 。  輸入為 request set R ， r i 代表第 i 個 request ，包含 起點 (s i ) ，終點 (d i ) ，所需要頻寬 (b i ) ，和服務品質參 數 (q i ) 四個參數。

24. 24 System Model  定義獲利 m i 是允許 request r i 進入核心網路後所獲得的利益。  獲益函數 P() 依據網路營運者提供服務品質與頻寬的獲利關 係對應。

25. 25 System Model  在有限資源下，儘可能找出滿足 request set R 所要求 constraint 的路徑組合 Ω ，使得總獲益Ｍ能獲得最大值。

26. 26 Capacity-Quality is Optional  Node u  v 1 3 2 4 5 7 6

27. 27 Routing Problem  Challenge 如何選擇 CQ (capacity-quality) pair?

28. 28 Solution Approaches  NP-Complete Problem  Solution Approaches for Sub-optimal General Search  Genetic algorithm  Tabu search  Hill-climbing  Branch and bound Heuristic Search

29. 29 Hill Climbing + Heuristic Approaches  Capacity-First Algorithm Capacity First Path Planning (GPPA) CQ pair Selection  依據 Routing 的結果，逐步調整 CQ pair ，逐漸選擇 capacity 較小的 CQ pair  Quality-First Algorithm Quality First Path Planning (GPPA) CQ pair Selection  依據 Routing 的結果，逐步調整 CQ pair ，逐漸選擇 quality 較差的 capacity-quality pair

30. 30 Capacity-First Algorithm

31. 31 Capacity-First Algorithm

32. 32 Capacity-First Algorithm

33. 33 Capacity-First Algorithm 1.Capacity First 一個拓樸的鏈結上有多組可供選擇的 CQ pair ，在每個鏈結上優先 選擇 capacity 最大， quality 最差的 pair 。 2.Path Planning (GPPA) (1) 基於選定的網路參數，進行路徑規劃，所獲結果如滿足所有 request 需求，則結束。 (2) 否則，則檢查是否有任一鏈結有剩餘的頻寬，並且有可供選擇 的 CQ pair ，假如沒有，則結束。 3.CQ pair Selection 假如有，在這些鏈結中，要優先選擇哪個鏈結調整 ?

34. 34 Candidate for CQ pair Adjustment

35. 35 Weighted Surplus Bandwidth  依據 Priority 作為選擇的順序依據

36. 36 Capacity-First Algorithm 1.Capacity First 一個拓樸的鏈結上有多組可供選擇的 CQ pair ，在每個鏈結上優先 選擇 capacity 最大， quality 最差的 pair 。 2.Path Planning (GPPA) (1) 基於選定的網路參數，進行路徑規劃，所獲結果如滿足所有 request 需求，則結束。 (2) 否則，則檢查是否有任一鏈結有剩餘的頻寬，並且有可供選擇 的 CQ pair ，假如沒有，則結束。 3.CQ pair Selection 假如有，優先選擇 Priority 最大的鏈結，選擇該鏈結次大 capacity 的 CQ pair ，確定拓樸的參數設定後，回到步驟 2 。

37. 37 Drop of Profit  Local optimal  Backtracking Mechanism

38. 38 Capacity-First Algorithm 1.Capacity First 一個拓樸的鏈結上有多組可供選擇的 CQ pair ，在每個鏈結上優 先選擇 capacity 最大， quality 最差的 pair 。 2.Path Planning (GPPA) (1) 基於選定的網路參數，進行路徑規劃，所獲結果如滿足所有 request 需求，則結束。 (2) 否則，則檢查是否有任一鏈結有剩餘的頻寬，並且有可供選 擇的 CQ pair ，假如沒有，則結束。 (3) 假如 CQ pair 選擇的結果造成 profit 下降，將造成 profit 下降 的 CQ pair 標記 3.CQ pair Selection 假如有，優先選擇 Priority 最大的鏈結，選擇該鏈結次大 capacity 的 CQ pair ，確定拓樸的參數設定後，回到步驟 2 。

39. 39 Flow of Capacity-First Algorithm

40. 40 Quality-First Algorithm

41. 41 Quality-First Algorithm

42. 42 Quality-First Algorithm

43. 43 Quality-First Algorithm 1.Capacity First 一個拓樸的鏈結上有多組可供選擇的 CQ pair ，在每個鏈結上優先 選擇 quality 最佳， capacity 最差的 pair 。 2.Path Planning (GPPA) (1) 基於選定的網路參數，進行路徑規劃，所獲結果如滿足所有 request 需求，則結束。 (2) 否則，則檢查是否有任一鏈結有剩餘的頻寬，並且有可供選擇 的 CQ pair ，假如沒有，則結束。 (3) 假如 CQ pair 選擇的結果造成 profit 下降，將造成 profit 下降的 CQ pair 標記 3.CQ pair Selection 假如有，優先選擇 Priority 最小的鏈結，選擇該鏈結次佳 quality 的 CQ pair ，確定拓樸的參數設定後，回到步驟 2 。

44. 44 Flow of Quality-First Algorithm

45. 45 Complexity  GPPA 的複雜度  Exhaustic Search 的複雜度 ( 設有 L 個鏈結，每個鏈結固定有 K 組 CQ pair)

46. 46 Summary  找到的參數可能是區域最佳解。  需要適當的 backtracking 機制，以其能跳脫區域 最佳解。

47. 47 Outline  Introduction and Related Work  System Model  Solution Approaches  Performance Evaluation  Experiment Design  Simulation Results  Conclusion and Future Work

48. 48 Performance Evaluation  效能評估指標 Profit function P()  獲利是由 request r i 使用的頻寬 b i ，乘以服務品質 q i 的單 位頻寬獲益 (profit per unit bandwidth) U

49. 49 Experiment Environment  Experimental tools Linux, GNU g++  Simulator GPPA Simulator GPPA Simulator with :  Capacity-First Algorithm  Quality-First Algorithm Topology Generator Request generator Profit Simulator

50. 50 Experiments Overview  Experiment #1 節點鏈結率對於獲利的影響 節點數對於獲利的影響 鏈結使用率之平均值與標準差  Experiment #2 預測誤差對獲利的影響

51. 51 Experiment #1  實驗方法 Capacity-First Algorithm Quality-First Algorithm

52. 52 Experiment #1  實驗方法 GPPA

53. 53 Experiment #1  拓樸參數設定 參數數值範圍 節點數目 10, 20, 30, 40, 50 節點鏈結率 20%, 40%, 60%, 80%, 100% 鏈結頻寬 5~10Gbps 鏈結延遲 5~30ms 可選擇的 CQ pair 3 choices/per link

54. 54 Experiment #1  訊務參數設定 參數數值範圍 訊務所需頻寬 100~500Mbps 訊務傳送之延遲限制 30~100ms

55. 55 Experiment #1  觀察指標 節點鏈結率對於獲利的影響 節點數對於獲利的影響 鏈結使用率之平均值與標準差分析

56. 56 Experiment #1  固定 10 個節點數，不同節點鏈結率  固定 20 個節點數，不同節點鏈結率  固定 30 個節點數，不同節點鏈結率  固定 40 個節點數，不同節點鏈結率  固定 50 個節點數，不同節點鏈結率

57. 57 Experiment #1 節點鏈結率對於獲利的影響 :10 個節點數 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點鏈結率的變動，獲利並無大幅提升。

58. 58 Experiment #1 節點鏈結率對於獲利的影響 :20 個節點數 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點鏈結率的變動，獲利並無大幅提升。

59. 59 Experiment #1 節點鏈結率對於獲利的影響 :30 個節點數 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點鏈結率的變動，獲利並無大幅提升。

60. 60 Experiment #1 節點鏈結率對於獲利的影響 :40 個節點數 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點鏈結率的變動，獲利並無大幅提升。

61. 61 Experiment #1 節點鏈結率對於獲利的影響 :50 個節點數 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點鏈結率的變動，獲利並無大幅提升。

62. 62 Experiment #1  固定 20% 節點鏈結率，不同節點數  固定 40% 節點鏈結率，不同節點數  固定 60% 節點鏈結率，不同節點數  固定 80% 節點鏈結率，不同節點數  固定 100% 節點鏈結率，不同節點數

63. 63 Experiment #1 節點數對於獲利的影響 :20% 節點鏈結率 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點數的變動，獲利並無大幅提升。

64. 64 Experiment #1 節點數對於獲利的影響 :40% 節點鏈結率 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點數的變動，獲利並無大幅提升。

65. 65 Experiment #1 節點數對於獲利的影響 :60% 節點鏈結率 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點數的變動，獲利並無大幅提升。

66. 66 Experiment #1 節點數對於獲利的影響 :80% 節點鏈結率 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點數的變動，獲利並無大幅提升。

67. 67 Experiment #1 節點數對於獲利的影響 :100% 節點鏈結率 Capacity-First 與 Quality-First 可以提升 GPPA 的約 10%~30% 的獲利， 隨著節點數的變動，獲利並無大幅提升。

68. 68 Experiment #1  結果分析 Capacity-First 演算法可以提升 GPPA 約 20%~30% 的獲利 Quality-First 演算法可以提升 GPPA 約 10~20% 的獲利。

69. 69 Experiment #1 鏈結使用率之平均值 Capacity-First 與 Quality-First 可以提升 GPPA 約 10% 的頻寬使用率

70. 70 Experiment #1 鏈結使用率之標準差 Capacity-First 與 Quality-First 演算法能使得路由負載較為平均

71. 71 Experiment #1  結果分析 鏈結使用率的平均值上升與標準差的下降 改良後的演算法，可以提升鏈結的使用率，使 得可選擇的路徑增加，因此能提供較具彈性的 路徑規劃。

72. 72 Experiment #2 預測誤差對於獲利影響  預測誤差 假設過去的歷史訊務資訊和系統實際運行時， 進入網路中的訊務完全一樣的話，則預測誤差 為零，若在實際運行時，進入網路之總訊務數 量中的 10% 統計資料，和歷史的資料不合，則 定義預測誤差為 10% ，在這些欲進入網路中的 訊務所要求的頻寬總和則會維持在一定範圍。

73. 73 Experiment #2

74. 74 Experiment #2  拓樸參數設定 參數數值範圍 節點數目 30 節點鏈結率 20%, 40%, 60%, 80%, 100% 鏈結頻寬 5~10Gbps 鏈結延遲 5~30ms 可選擇的 CQ pair 3 choices/per link

75. 75 Experiment #2  訊務參數設定 參數數值範圍 訊務所需頻寬 100~500Mbps 訊務之傳送延遲限制 30~100ms 預測誤差 0%~90%

76. 76 Experiment #2 預測誤差對於獲利影響 當預測誤差大於 40% 之後，獲利快速下降

77. 77 Experiment #2 預測誤差對於獲利影響 當預測誤差達到 90% ，獲利差距逐漸縮小

78. 78 Experiment #2 預測誤差對於獲利影響

79. 79 Experiment #2 預測誤差對於獲利影響  結果分析 預測誤差在 40% 以下， Capacity-First 與 Quality-First 演算法獲利依然有 15%~30% 的 提升 預測誤差 40% 以上，則獲利快速下降 隨著預測誤差的增加，預測誤差所造成的獲利 與 GPPA 大致相當。

80. 80 Conclusion and Future Work  在同樣的網路環境之下，藉由 Capacity-First 與 Quality-First 演算法主動做鏈結資源作規劃，可以 增加鏈結的使用率，提供較多的路徑選擇，提高獲 益。  在演算法的設計中，仍需要更好的 Backtracking 機制，以找到更佳的網路設定參數。

81. 81 Thank You  Q & A

82. 82 Back Slide GPPA 1. 從 request set 中，選出 profit 最大的一個 request i 。 2. 利用 Dijkstra Algorithm 為 request i 的 si, di ，找出一條路徑， 若我們無法找出一條路徑，則將此 request i 標示為已處理。 3. 檢查由步驟 2. 所找出的路徑中，其組成路徑的所有鏈結是否符 合該 request i 之頻寬 bi 和 qulity qi 之限制。 4. 若有鏈結 m 不符 request i 之 bi 和 qi 的限制，則暫時拿掉鏈結 m ，得到一個暫時的網路拓樸 G ‘ (V ’, E ‘ ) ，回到步驟二；若此 path 合乎 request i 之限制，則將此 path 加入找到的路徑集合 中，並將 path 標示為已處理。 5. 若還有未處理的 request 在 request set 中，則回到步驟一，直 到所有 request 皆為已處理。

83. 83 Flow of GPPA