阅读笔记 | Prophet: Traffic Engineering-Centric Traffic Matrix Prediction

阅读笔记 - Prophet: Traffic Engineering-Centric Traffic Matrix Prediction

阅读论文：

1. Zhang, Yuntian, et al. “Prophet: Traffic Engineering-Centric Traffic Matrix Prediction.” IEEE/ACM Transactions on Networking (2023).

背景和动机

• 流量矩阵是流量工程的重要输入，可以用于控制链路负载均衡。
• 现有流量矩阵预测方法都是以精确度为中心的，线性和非线性方法都无法很好应对网络流量波动，而且并不能对每个流都准确预测，特别是影响最大的关键流。
• 文章认为TM不是预测越准确越好，应当更多考虑TE效果。

方法和框架

文章发现并证明了TM在一些TE方法中具有critical property：即TM中的各元素的比例在TE中更为重要，而非各元素的预测准确性。
围绕critical property，文章提出了矩阵标准化和以TE为中心的角损失函数，用于ML模型更多考虑TE来训练和预测TM。

• 矩阵标准化：输入的历史TM中，每个矩阵处以矩阵中最大的元素实现标准化，从而保留元素间的比例关系
• 角损失函数：衡量预测TM和真实TM间的相对关系损失而非精度损失

角损失函数定义如下：
$$f_{loss}(\text{x},\text{y})=\frac{{\text{x}}^T\cdot \text{y}}{\Vert \text{x}{\Vert }_2\Vert \text{y}{\Vert }_2}$$
角损失函数有以下性质：

• 范围在[0,1]间
• loss值为0时表示两个矩阵可以互相等比缩放相等
• 两个矩阵中任意一个乘以任意常系数后loss值维持不变

文章所给的ML的框架其实也很简单，TM的历史时序数据用滑动窗口构造训练数据，并用mini-batch和反向传播算法进行训练，只不过用的loss是文章提出的TE-centric angle loss函数。

Prophet的推理则是TME和TE的结合，即模型利用历史TM预测出TM’后，输入TE算法得到路由方案R，真实流量TM到达后按方案R进行路由，计算MLU。以此再用真实流量本身算一次路由方案得到最优情况下的MLU，得到评价指标 P R { R , T } = M L U p r e d M L U o p t PR\{\textbf{R},\textbf{T}\}=\frac{MLU_{pred}}{MLU_{opt}} PR{R,T}=MLUopt​MLUpred​​

这篇文章中的TE场景默认是MCF problem的场景。

实验与评估

数据集

• Abilene
• CERNET

指标

• Clock Time
• Parameter Amount
• Performance Ratio (PR)

对比方案

• TE场景
  • 链路级TE
  • 路径级TE
• TM预测与动态TE
  • Prophet：本文的方法（使用GRU和LSTM两种模型的两个版本）
  • ACRNN：SOTA的TM预测，用CNN捕捉流间关系，RNN捕捉流内依赖
  • Informer
• 静态TE
  • Equal-Cost Multi-Path (ECMP)
  • Oblivious Routing (OR)
• 现成方案增强
  • SD-MSE：使用SD pair级的标准化和MSE损失函数
  • Matrix-Angle：使用本文的Matrix标准化和角损失函数