Using Video-Based Measurements to Generate a Real-Time - - PowerPoint PPT Presentation

▶
using video based measurements to generate a real time
SMART_READER_LITE
LIVE PREVIEW

Using Video-Based Measurements to Generate a Real-Time - - PowerPoint PPT Presentation

Nov 26, 2022 183 likes •366 views

Using Video-Based Measurements to Generate a Real-Time Network Traffic Map Yi Sun, Junchen Jiang, Vyas Sekar, Hui Zhang, Fuyuan Lin, Nanshu

slide-1
SLIDE 1

Using ¡Video-­‑Based ¡Measurements ¡ to ¡Generate ¡a ¡ ¡ Real-­‑Time ¡Network ¡Traffic ¡Map ¡

Yi ¡Sun, ¡Junchen ¡Jiang, ¡Vyas ¡Sekar, ¡ ¡ Hui ¡Zhang, ¡Fuyuan ¡Lin, ¡Nanshu ¡Wang ¡

slide-2
SLIDE 2

Real ¡world ¡has ¡Google ¡Maps, ¡ ¡ why ¡don’t ¡we! ¡

2 ¡

Low ¡ High Med

slide-3
SLIDE 3

Not ¡a ¡new ¡idea, ¡but ¡has ¡been ¡elusive ¡

  • Coverage ¡

– Need ¡millions ¡of ¡vantage ¡points ¡

  • Overhead ¡ ¡

– B/w ¡ ¡measurement ¡incurs ¡non-­‑trivial ¡cost ¡

¡

  • Real-­‑Qme ¡views ¡

– ConQnuous ¡updates ¡

3 ¡

slide-4
SLIDE 4

Opportunity ¡of ¡Internet ¡Video! ¡

4 ¡

  • Coverage ¡

– Need ¡millions ¡of ¡vantage ¡points ¡

¡

  • Overhead ¡ ¡

– B/w ¡ ¡measurement ¡incurs ¡non-­‑trivial ¡cost ¡

¡

  • Real-­‑Qme ¡views ¡

– ConQnuous ¡updates ¡

✓ ¡ ✓ ¡ ✓ ¡

à ¡Video ¡traffic ¡30-­‑50%, ¡30M ¡NeXlix ¡streaming ¡subscribers ¡ ¡ à ¡Passive ¡throughput ¡measurements ¡ à ¡Akamai, ¡NeXlix, ¡Conviva, ¡PPLive ¡etc ¡already ¡do ¡this ¡

slide-5
SLIDE 5

Internet ¡Traffic ¡Map ¡Service

Topology ¡& ¡ RouQng ¡Info Video ¡player ¡ ¡measurements Inference ¡ Algorithms ¡

Low ¡ High Med Query ¡API ¡

CDN,ISP, ¡P2P, ¡ ¡ 3rd ¡party ¡opQmizers ¡

Video ¡ Servers ¡ Video ¡Player ¡Clients ¡

ITM ¡Service ¡

E.g., ¡NeXlix, ¡Akamai, ¡Conviva ¡

5 ¡

slide-6
SLIDE 6

Concrete ¡Problem ¡DefiniQon ¡

Topology ¡& ¡ RouQng ¡Info Video ¡player ¡ ¡measurements Inference ¡ Algorithms ¡ For ¡each ¡epoch, ¡src, ¡dst: ¡ Throughput ¡ Bytes ¡ For ¡each ¡epoch, ¡src, ¡dst: ¡ Path ¡(PoP-­‑level) ¡ e.g., ¡iPlane ¡

P1: ¡InferCapacity ¡ Link ¡à ¡Capacity ¡ P2: ¡InferUQlizaQon ¡ Link,Epoch ¡à ¡UQlizaQon ¡

6 ¡

slide-7
SLIDE 7

Concrete ¡Problem ¡DefiniQon ¡

Topology ¡& ¡ RouQng ¡Info Video ¡player ¡ ¡measurements Inference ¡ Algorithms ¡ For ¡each ¡epoch, ¡src, ¡dst: ¡ Throughput ¡ Bytes ¡ For ¡each ¡epoch, ¡src, ¡dst: ¡ Path ¡(PoP-­‑level) ¡ e.g., ¡iPlane ¡

P1: ¡InferCapacity ¡ Link ¡à à ¡Capacity ¡ P2: ¡InferUQlizaQon ¡ Link,Epoch ¡à ¡UQlizaQon ¡

7 ¡

slide-8
SLIDE 8

Strawman ¡1: ¡Max ¡EsQmator ¡

8 ¡

Ti,e ¡ ¡= ¡throughput ¡measurement ¡in ¡epoch ¡e ¡

N1 ¡ N2 ¡ N3 ¡ N4 ¡ N5 ¡ N6 ¡ N7 ¡ N8 ¡

CapN4-­‑N5 ¡= ¡ ¡max{i,e} ¡Ti,e ¡ ¡

T1,e ¡ T2,e ¡ T3,e ¡

Background? ¡ Discrete ¡values? ¡ UnderesQmate? ¡ Just ¡use ¡max ¡observed ¡throughput? ¡ ¡

P1: ¡InferCapacity ¡ Link ¡à ¡Capacity ¡

slide-9
SLIDE 9

Strawman ¡2: ¡Tomography ¡

9 ¡

N1 ¡ N2 ¡ N3 ¡ N4 ¡ N5 ¡ N6 ¡ N7 ¡ N8 ¡

T1,e ¡ T2,e ¡ T3.e ¡

  • 1. CapNi-­‑Nj ¡ ¡from ¡discrete ¡values ¡
  • 2. Hidden ¡background ¡values ¡ ¡

BN{1,2,3}-­‑N{6,7,8} ¡

  • 3. Cost-­‑awareness ¡

Constrained ¡OpQmizaQon ¡ Output ¡= ¡CapNi-­‑Nj ¡ ¡ Idea: ¡ ¡Maxe ¡{B+T,Bytes/Time} ¡

Underconstrained! ¡

P1: ¡InferCapacity ¡ Link ¡à ¡Capacity ¡

Background? ¡ Discrete ¡values? ¡ UnderesQmate? ¡

slide-10
SLIDE 10

Idea: ¡Add ¡“Side” ¡informaQon ¡

10 ¡

  • 1. CapNi-­‑Nj ¡ ¡from ¡discrete ¡values ¡
  • 2. Hidden ¡background ¡values ¡ ¡

BN{1,2,3}-­‑N{6,7,8} ¡

  • 3. Cost-­‑awareness ¡

Constrained ¡OpQmizaQon ¡ Output ¡= ¡CapNi-­‑Nj ¡ ¡ Idea: ¡Max_e ¡{B+T,Bytes/Time} ¡

P1: ¡InferCapacity ¡ Link ¡à ¡Capacity ¡

  • 1. “Gravity” ¡assumpQon ¡
  • 2. B/T ¡raQo ¡
  • 3. Expected ¡overprovisioning ¡

Underconstrained! ¡

slide-11
SLIDE 11

Concrete ¡Problem ¡DefiniQon ¡

Topology ¡& ¡ RouQng ¡Info Video ¡player ¡ ¡measurements Traffic ¡Map ¡ Service ¡ For ¡each ¡epoch, ¡src, ¡dst: ¡ Throughput ¡ Bytes ¡ For ¡each ¡epoch, ¡src, ¡dst: ¡ Path ¡(PoP-­‑level) ¡ e.g., ¡iPlane ¡

P1: ¡InferCapacity ¡ Link ¡à ¡Capacity ¡ P2: ¡InferU5liza5on ¡ Link,Epoch ¡à à ¡U5liza5on ¡

11

slide-12
SLIDE 12

12 ¡

Strawman: ¡Tomography+? ¡

P2: ¡InferUQlizaQon ¡ Link,Epoch ¡à ¡UQlizaQon ¡

Constrained ¡OpQmizaQon ¡ Output ¡= ¡BNi-­‑Nj ¡ ¡

  • 1. “Gravity” ¡assumpQon ¡
  • 2. B/T ¡raQo ¡
  • 3. Expected ¡overprovisioning ¡

“Aggregate” ¡effects ¡ Don’t ¡have ¡history ¡

slide-13
SLIDE 13

13 ¡

High-­‑level ¡Idea: ¡ Capacity ¡+ ¡Max-­‑min ¡fairness ¡

P2: ¡InferUQlizaQon ¡ Link,Epoch ¡à ¡UQlizaQon ¡

N1 ¡ N2 ¡ N3 ¡ N4 ¡ N5 ¡ N6 ¡ N7 ¡ N8 ¡

T1,cur ¡ T2,cur ¡ T3,cur ¡ Since ¡we ¡know ¡capacity ¡from ¡solving ¡P1, ¡ ¡ What ¡B ¡values ¡“explain” ¡observed ¡throughputs? ¡ Brute-­‑force ¡search ¡to ¡find ¡a ¡max-­‑likelihood ¡esQmator ¡ s.t. ¡predicted ¡throughputs ¡“match” ¡the ¡observed ¡

B1 ¡ B2 ¡ B3 ¡ B4 ¡ B5 ¡ B6 ¡ B7 ¡

slide-14
SLIDE 14

EvaluaQon ¡Setup ¡

14 ¡

  • Custom ¡flow-­‑level ¡simulator ¡
  • SensiQvity ¡ ¡

– number ¡of ¡epochs ¡ – Background ¡vs. ¡measurement ¡traffic ¡raQo ¡ – Accuracy ¡of ¡capacity ¡inference ¡

slide-15
SLIDE 15

Accuracy ¡of ¡Capacity ¡Inference ¡

15 ¡

0.2 0.4 0.6 0.8 1 0.1 0.2 0.3 0.4 0.5

Fraction of links with perfect inference Measurement-to-Background Ratio

5 Epochs 10 Epochs 20 Epochs

slide-16
SLIDE 16

Accuracy ¡of ¡Background ¡Inference ¡

16 ¡

0.2 0.4 0.6 0.8 1 0.1 0.2 0.3 0.4 0.5 Accuracy Measurement-to-background Ratio

Using InferCapacity Using GroundTruth

slide-17
SLIDE 17

LimitaQons ¡and ¡Open ¡Issues ¡

  • How ¡much ¡side ¡informaQon ¡do ¡we ¡need? ¡
  • Other ¡potenQal ¡“carrier ¡signals”? ¡
  • SensiQvity ¡to ¡esQmaQon ¡parameters ¡

¡

  • Scalability ¡of ¡the ¡algorithms ¡
  • Measurement ¡bias? ¡
  • … ¡

17 ¡

slide-18
SLIDE 18

Conclusions ¡ ¡

  • A ¡real-­‑Qme ¡Internet ¡Traffic ¡Map ¡would ¡be ¡cool ¡

– Many ¡apps ¡could ¡benefit ¡

  • Has ¡always ¡been ¡out ¡of ¡our ¡reach ¡

– Coverage, ¡Overhead ¡+ ¡Real-­‑Qme ¡view ¡

  • Video ¡offers ¡a ¡unique ¡opportunity ¡

– Capacity ¡and ¡Background ¡Inference ¡via ¡Video ¡ – IniQal ¡results ¡seem ¡promising ¡

  • Many ¡limitaQons, ¡open ¡quesQons, ¡and ¡future ¡work! ¡

18 ¡