K-Flix : aplicação de clustering para classificação de tráfego de streaming de vídeo em planos de dados programáveis

Abstract

Streaming de vídeo vem se tornando parte cada vez mais significativa da Internet, com aplicações que oferecem este serviço compondo mais da metade do tráfego mundial. Dada a grande demanda que esta aplicação representa, surge a necessidade de políticas de Quality of Service (QoS) específicas para este nicho. A implementação de soluções de QoS depende, porém, da identificação em tempo hábil da presença deste tipo de tráfego na rede. Avanços recentes na tecnologia de Planos de Dados Programáveis (PDP) possibilitam o desenvolvimento de soluções eficientes para classificação de tráfego, delegando parte do processamento aos dispositivos que formam a infraestrutura da rede. Além da necessidade de processamento eficiente de modo a não afetar o funcionamento da rede, dispositivos de rede programáveis em geral não oferecem suporte a operações aritméticas complexas como divisão e logaritmo, havendo, então, a necessidade de soluções simples e eficientes. Este trabalho propõe o emprego de agrupamento, uma técnica de Aprendizado de Máquina (Machine Learning - ML), para classificação de tráfego referente à streaming de vídeo em planos de dados programáveis. Os agrupamentos são gerados e classificados off-line, de modo que distingam entre streaming de vídeo e outros tipos de tráfego. O processo de inferência, assim, consiste no cálculo da distância entre os atributos de uma entrada e cada um dos centróides dos agrupamentos gerados pelo modelo. Este cálculo é traduzido em uma série de comparações que, por sua vez, são integradas às pipelines de processamento de dispositivos programáveis. Desenvolveu-se um protótipo do sistema em um ambiente virtual e realizaram-se testes utilizando capturas de tráfego real. Os resultados obtidos com os testes demonstram o potencial da utilização de agrupamentos para a classificação de tráfego em planos de dados programáveis.

In recent years, video streaming has become a significant part of the Internet, with applications that offer this service accounting for more than half of global traffic. Given the high demand represented by this application class, specific Quality of Service (QoS) solutions become necessary. However, the implementation of such QoS solutions depends on the timely identification of such traffic in the network. Recent advances in Programmable Data Planes allow the development of efficient solutions for traffic classification, deploying part of the processing to the devices that form the network infrastructure. Besides the need for efficient processing so as to not impact the network operation, programmable network devices generally do not support complex arithmetic operations such as division and logarithms, and therefore require simple and efficient solutions. This work proposes the usage of clustering, a Machine Learning technique, for video streaming traffic classification in programmable data planes. The clusters are generated and classified off-line such that it is possible to distinguish between video streaming and other forms of traffic. The inference process thus consists in the computing of the distance between the attributes of an ingress packet flow and the centroids of each of the clusters generated by the algorithm. This computation is translated to a series of comparisons which are integrated to the processing pipelines of the programmable devices. A prototype of the proposed system was developed in a virtual environment and tests were executed using real traffic captures. The results observed demonstrate the potential of employing clustering for traffic classification in programmable data planes.