* 본 글은 IRSML: An intelligent routing algorithm based on machine learning in software defined wireless networking 을 읽으며 공부한 내용을 바탕으로 작성함. (출처: https://onlinelibrary.wiley.com/doi/full/10.4218/etrij.2021-0212)
4. Performance Evaluation by simulation
Simulation 환경은 Section 3.1.에서 설명한 것과 동일하며, 가정 역시 Table 1과 동일하다.
IRSML 알고리즘은 PDR, PBP, network throughput, EED, QoT에 대해 Shortest Path Routing(SPR)과 비교될 것이다.
4.1 Study of PDR
PDR은 network system에 있어 중요한 성능 지표 중 하나이다. 이는 대상 destination 노드가 성공적으로 받은 패킷의 합계와 source 노드가 보낸 패킷의 합계 비율로 정해진다.
다음의 사진은 각 MH에서 발생하는 트래픽 부하 대비 PDR에서 SPR, IRSML 알고리즘 성능을 비교한 것이다.
이 결과는 MH들의 평균적인 이동 속도인 10m/s를 기준으로 잡았다.
본 그래프를 통해 traffic load가 낮을 때(1~5 Mbps)는 IRSML과 SPR 간의 성능이 비슷하다고 볼 수 있다. 이 이유는 IRSML은 load balancing routing이기 때문이다.
(load balancing routing이란 네트워크나 서버 시스템에서 트래픽을 균등하게 분산시키는 기술이다.)
따라서 traffic load가 낮을 때 이 routing 기법은 큰 의미를 갖지 않는다.
그러나 heavy traffic load environment에서는 IRSML 알고리즘의 PDR이 SPR 알고리즘에 비해 PDR이 크게 증가한다.
예를들어, MH의 수가 40, 각 MH가 발생시키는 traffic load가 9 Mbps이라고 가정해보자.
SRP와 IRSML의 PDR은 각 86.16, 93.94가 된다. 그러므로 약 7.78% 가량의 성능 증가를 얻게 된다.
다른 케이스를 살펴보면, 평균적으로 PDR은 7.6% 정도로 증가하게 된다.
IRSML로 인한 PDR의 큰 증가는 load balancing route를 찾아 네트워크의 병목 현상을 줄여 다시 PDR의 증가로 이어진다.
게다가, 경로 탐색 시 QoT 제약 조건을 고려하였기에 data transmission route에 대한 QoT가 보장되어 이 역시 PDR의 증가로 이어진다.
(3.2. Learning rate를 통해 QoT, EED 제약 조건 적용)
또한 PDR은 MH의 수에 따라서도 영향을 받는다. 다음의 그림을 참조해보자.
이 그림에서는 각 MH가 발생시키는 traffic load가 6 Mbps고 MH의 평균 이동 속도가 10m/s인 상황에 대해 PDR을 총 MH와 비교하여 나타냈다.
이 그래프는 많은 MH가 존재할 수록, 더 많은 PDR의 감소가 일어남을 보여준다.
이 현상의 이유는 총 MH가 많을 수록 전체 network에서 traffic load가 증가하기 때문이다.
그러나 어느 경우에서도 IRSML은 항상 SPR보다 더 좋은 PDR performance를 보여준다.
(평균적으로 10% 가량의 성능 증가를 보여줌.)
4.2 Study of throughput
network 성능 지표에 있어 또 다른 중요한 특성인 throughput 또한 측정을 해볼 필요가 있다.
Throughput은 GW가 시간 단위로 완벽하게 수신한 traffic으로 정의된다.
다음의 사진은 각 MH의 traffic load가 6 Mbps, 평균 MH 이동 속도 10 m/s를 가정하고 그린 성능 비교 그래프이다.
Simulation time이 250 s 이하에서는 routing 알고리즘이 수렴되지 않아 Throughput의 변동이 크다는 것을 알 수 있다.
그 후에는 routing 알고리즘이 수렴되어 throughput이 안정회 된 것 또한 확인할 수 있다.
알고리즘의 수렴 시간이 빠른 이유로는 SPR, IRSML 역시 SDN 아키텍처를 기반으로 동작하기 때문이다.
결국 모든 라우팅 테이블 학습 프로세스는 전체 네트워크의 state information을 가지고 있는 SDN controller 위에서 실행되기 때문에, 수렴 시간이 빠른 것이다.
본 사진을 통해 IRSML 알고리즘이 50, 60 MH 모두에서 SPR 알고리즘보다 더 좋은 throughput을 산출하는 것을 확인할 수 있다.
(평균적으로 23.84 Mbps 가량 증가.)
각 MH가 발생시키는 traffic load가 가변적인 경우 IRSML과 SPR throughput 그래프는 다음과 같다.
당연히 높은 traffic load가 존재할 수록 Throughput 역시 증가하는 것을 볼 수 있다.
그러나 어떠한 MH의 수에서도 항상 IRSML이 Throughput performance가 좋은 것 또한 볼 수 있다.
(평균적으로 50, 60 MH에서 20.87, 23.31 Mbps)
그 다음 사진은 thorughput vs number of MHs 를 나타낸 그래프이다.
내가 해석한 바로는 x축은 number of MHs이고, 각 MH들의 수에 따른 Throughput 그래프인데, 알고리즘, each of MH 들의 traffic load를 case로 나누어서 그린 그래프 같다.
역시 IRSML이 의미있을 정도로 좋은 성능을 보여줌을 알 수 있다. 평균적으로 각 MH가 발생시키는 traffic load가 6, 9 Mbps일 때, 21.44, 29.5 Mbps의 성능 향상을 보여준다.
4.3 Study of SNR
그 다음은 dara transmission route 상에서 SNR을 분석할 것이다.
SNR은 receiver to destination node에서 signal power와 noise power의 비율이다.
(신호 대비 잡음)
이 performance parameter는 network system에서 QoT를 반영한다.
3.1.에 제시한 환경을 가정하고, QoT를 보증하기 위한 최소 SNR을 25 dB로 잡을 것이다.
그림을 보면 SPR 알고리즘에서 많은 channel들이 QoT를 만족하지 못하고 있다.(under 25 dB)
반면, IRSML은 확연히 개선된 성능을 보여주고 있다.
항상 required SNR인 25 dB를 충족하는 것 또한 볼 수 있다.
위의 그림을 보면 IRSML 과 SPR의 SNR 분포를 알 수 있다. SPR 알고리즘에서는 24~29 dB에 걸쳐 분포하고, 12.5%가 24~25 dB에 존재한다. 따라서 12.5%의 channel들이 QoT를 보장하지 못하고 있는 것이다. 반면 IRSML을 볼 경우 25~29 dB에 걸쳐 QoT를 항상 보장함을 알 수 있다.
이 현상의 이유는 RL 방법으로 학습하는 동안 learning rate를 통해 constraint를 만족하지 못하는 경우 학습을 하지 않기 때문이다. 그러므로 학습된 route는 항상 QoT를 보장하게 된다.
4.4 Study of EED
Learning rate를 통해 조절되는 constraint에는 EED 또한 있었다.다음의 그림은 각 MH가 발생시키는 traffic load에 따른 Average EED 그래프이다.
이 case에서 MG의 수는 60, 평균 이동 속도는 10 m/s를 잡는다. 당연히 traffic load가 커질 수록 average EED 또한 증가하는 추세를 보인다. (queuing delay가 증가하기 때문)
SPR과 IRSML을 비교해보면, EED가 엇비슷하게 나타남을 알 수 있다. 그리고 몇몇 경우는 IRSML이 SPR보다 근소한 우세를 보인다.
이를 종합하면 IRSML은 SPR과 비교해 data transmission route의 PDR, throughput, SNR 측면에서 의미있는 성능 증가를 보이며, EED에는 영향을 미치지 않는다고 결론을 내릴 수 있다.
'논문' 카테고리의 다른 글
| ML System for Routing Decision in Urban VANET - 1 (0) | 2024.01.15 |
|---|---|
| SL, RL을 기반으로 한 라우팅 알고리즘 - 5(Conclusions) (0) | 2024.01.02 |
| SL, RL을 기반으로 한 라우팅 알고리즘 - 3.2 (0) | 2023.12.29 |
| SL, RL을 기반으로 한 라우팅 알고리즘 - 3.1 (0) | 2023.12.29 |
| SL, RL을 기반으로 한 라우팅 알고리즘 - 2 (0) | 2023.12.28 |