[논문]SDN-WAN 기반의 E2E 가상네트워크 슬라이싱 자동화 및 지능화 기술

김동균

SDN-WAN 기반의 E2E 가상네트워크 슬라이싱 자동화 및 지능화 기술 원문보기

정보처리학회지 = Korea information processing society review, v.27 no.1, 2020년, pp.6 - 19

김동균 (한국과학기술정보연구원)

초록이 없습니다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본고에서는 위에서 소개한 관련 연구와 기술개 발현황을 바탕으로 KISTI가 구축 및 연구하고 있는 KREONET-S의 가상화/자동화/지능화 기술에 대해 설명하고, 현황과 향후 연구 방향에 대해서 기술한다. 먼저 다음 장에서는 SDN-WAN 기반으로 개발되고 있는 가상전용네트워킹 기술인 VDN 구조와 핵심 요소에 대해 소개하고, 3장에서는 VDNO를 통한 지능화 오케스트레이션 환경의 개발 현황을 기술한다.
이번 장에서는 우리나라의 국가연구망이 SDN 기반의 광역망 인프라를 바탕으로 연구개발하고 있는 가상 네트워킹 기술인 VDN을 소개하고, VDN이 어떻게 광역망을 통한 종단간 네트워크 슬라이싱을 구현할 수 있는지에 대하여 주요 연구개발현황을 기술한다. 먼저 국가연구망 기반의 SDN 광역망 인프라인 KREONET-S와 VDN 네트워크 슬라이싱 기술의 토대가 되는 SDN의 기본 구조를 설명한다.
KREONET-S의 지능화 오케스트레이션은 기본적으로 VDN의 가상 네트워크 슬라이싱 기술과 분산 클라우드 환경의 컨테이터를 기반으로 가상화된 서비스 자원을 통합하여 사용자가 원하는 네트워킹 및 컴퓨팅, 스토리지 자원을 할당하기 위해 개발된 기술이다. 즉, 오케스트레이션은 SDN 광역망 기반의 VDN을 에지/액세스망 중심의 분산 컴퓨팅 및 스토리지 자원과 연계하여 고효율, 고보안성, 고성능을 보장하는 것을 목적으로 하며, 다음의 내용을 중점적으로 다루고 있다.

가설 설정

이 구조에서 SDN 인프라는 KREONET-S를, 컨테이너 관리자는 Kubernetes [25], SDN 제어기는 ONOS, 가상망 관리자는 VDN을 활용했다. 그리고 분산 클라우드 환경을 구성하기 위해서 다수의 Kubernetes 환경을 지리적으로 분산된 위치에 독립적으로 배치함을 가정한다.

제안 방법

이에 더하여 가상망 슬라이싱의 자동화를 위하여 Globus Online을 연계하도록 개발되었다. Globus Online의 endpoint 정보, 즉 DTN 정보를 획득하기 위해서 앞서 설명한 Auth API를 이 용했고, 획득된 정보를 KREONET-S에 적용하기 위하여 ONOS가 인식할 수 있도록 JSON 데이터 모델로 변환했다. 즉, VDN 시스템은 JSON 파일로 변환된 DTN (endpoint) 정보를 획득하여 해당 DTN 간에 이루어진 데이터 통신이 실시간으로 확인되면, endpoint 간의 종단간 VDN을 자동으로 프로비저닝한다.
관련 연구를 위해 한국과학기술정보연구원 (KISTI, Korea Institute of Science and Technology Information)이 구축개발하고 있는 SDN 광역망(SDN-WAN, SDN oriented Wide Area Network)인 KREONET-S (Korea Research En- vironment Open Network-Softwarization)를 사례로 들 수 있다[19-21]. KREONET-S는 네트워크 가상화 기술인 VDN (Virtually Dedicated Network)과 오케스트레이션 기술인 VDNO (VDN Orchestrator)를 개발했고, 이와 같은 핵심 기술을 바탕으로 가상망/광역망 운용 최적화 및 저손실/저지연/대용량 데이터 전송 관련 자동화/지능화 연구와 SDN 광역망 환경에서 DDoS 공격 탐지를 위해 머신러닝 기법을 적용하여 네트워크 지능화 계층의 기본 프레임워크를 설계하고자 한다. 첫 번째 연구의 경우 가상망의 대역 폭 활용률 혹은 사용자의 데이터 전송량 등 연속적인 값을 예측하는 사례이므로 머신러닝 기반의 선형회귀(Linear Regression) 기법을 적용하여 연구 중이고, 두 번째 연구는 특정 데이터 플로우의 DDoS 공격패킷 여부를 판단하는 것이기 때문에 분류(Classification) 방식을 주로 이용하고 있다.
이를 위해서 ONOS의 PacketProcessor API를 이용했고, PacketProcessor는 임의의 엔드호스트로부터 패킷이 발생하면 SDN 스위치에서 ONOS로 보내는 PACKET_IN 메시지를 받아 적절하게 처리할 수 있는 환경을 제공한다. VDN 은 VdnFwdManager 모듈을 추가적으로 구현하여 해당 이벤트가 발생할 때 VdnManager로 가상망 슬라이스를 자동 요청하도록 구현되었다.
먼저, 고성능 데이터 전송 서비스 제공을 위해서 개발된 VDN-CNI:Host-Device는 물리 서버의 개별 NIC (Network Interface Card)을 컨테이너에 전용으로 할당하고 SDN 스위치와 연결함으로써 SDN 기반의 고성능 네트워킹을 구현한다. 그리고 Kubernetes 시스템의 운영 관리 및 모니터링 용도의 컨테이너 생성 시, 각 컨테이너 별로 개별 NIC을 할당하는 것은 물리적인 자원 낭비이기 때문에 단일한 NIC을 지정/공유하여 논리적인 네트워킹을 제공하는 컨테이너 네트워크 인터페이스인 VDN-CNI:Macvlan을 보조 형태로 추가 구현했다
하지만 종단 간의 네트워크 성능이 실질적인 파일 전송을 위한 저장장치 간(Disk to Disk) 전송 성능을 보장하지는 못한다. 따라서 저장장치 간 파일 전송 성능을 측정하기 위하여 Globus Online의 대용량 파일 전송 기능을 활용했고, VDN 프로비저닝 자동화 기술을 통해 가상망 슬라이스를 프로비저닝 한 후 해 당 자동화 기술 기반의 성능 시험을 (그림 6, 7) 과 같이 수행했다.
이번 장에서는 우리나라의 국가연구망이 SDN 기반의 광역망 인프라를 바탕으로 연구개발하고 있는 가상 네트워킹 기술인 VDN을 소개하고, VDN이 어떻게 광역망을 통한 종단간 네트워크 슬라이싱을 구현할 수 있는지에 대하여 주요 연구개발현황을 기술한다. 먼저 국가연구망 기반의 SDN 광역망 인프라인 KREONET-S와 VDN 네트워크 슬라이싱 기술의 토대가 되는 SDN의 기본 구조를 설명한다.
Globus Online에 등록된 DTN간 데이터 통신을 실시간으로 확인하기 위해서 OpenFlow의 PACKET_IN 메시지에 대한 지속적인 모니터링이필요하다. 이를 위해서 ONOS의 PacketProcessor API를 이용했고, PacketProcessor는 임의의 엔드호스트로부터 패킷이 발생하면 SDN 스위치에서 ONOS로 보내는 PACKET_IN 메시지를 받아 적절하게 처리할 수 있는 환경을 제공한다. VDN 은 VdnFwdManager 모듈을 추가적으로 구현하여 해당 이벤트가 발생할 때 VdnManager로 가상망 슬라이스를 자동 요청하도록 구현되었다.
VDNO는 가상망 슬라이싱 시스템인 VDN과 Kubernetes 시스템 간의 연계를 담당한다. 이에 더하여 가상망 슬라이싱의 자동화를 위하여 Globus Online을 연계하도록 개발되었다. Globus Online의 endpoint 정보, 즉 DTN 정보를 획득하기 위해서 앞서 설명한 Auth API를 이 용했고, 획득된 정보를 KREONET-S에 적용하기 위하여 ONOS가 인식할 수 있도록 JSON 데이터 모델로 변환했다.
(그림 2)에서 나 타내듯이 이들은 각각 Data Plane을 위한 인프라 계층(Infrastructure Layer), Control Plane에 상응하는 제어 계층(Control Layer), Application Plane에 위치하는 가상화 계층(Virtualization Layer)과 오케스트레이션/자동화 계층(Orchestration Layer)이다. 인프라 계층은 SDN의 SBI 표준기술인 OpenFlow를 기반으로, 국내외 8개 지역(대전, 서울, 부산, 광주, 창원, 시카고/미국,시애틀/미국, 홍콩/중국)에 OpenFlow 코어/에지 네트워크 디바이스, 가상머신, 컨테이너 리소스 등을 바탕으로 구축되었다.

이론/모형

(그림 4)는 오케스트레이션 시스템의 구조 및 기본 프로세스를 보여주며, 이어서 각 구성요소의 역할과 기능을 설명한다. 이 구조에서 SDN 인프라는 KREONET-S를, 컨테이너 관리자는 Kubernetes [25], SDN 제어기는 ONOS, 가상망 관리자는 VDN을 활용했다. 그리고 분산 클라우드 환경을 구성하기 위해서 다수의 Kubernetes 환경을 지리적으로 분산된 위치에 독립적으로 배치함을 가정한다.

성능/효과

DTN은 고품질의 하드웨어 장비를 조합한 리소스들로 구성되며 광역 데이터 전송을 위해 BIOS, OS, 소프트웨어 튜닝을 거쳐 만들어진 리눅스 머신이다. DTN 간의 가상망 슬라이싱 자동화, 즉 VDN 자동화 기술을 활용하면 관리자나 사용자의 개입없이 시스템 간 API 교환과 이벤트 처리만으로 상황에 맞게 VDN을 쉽고 빠르게 자동 생성할 수 있으며, 이를 통해 KREONET-S 인프라의 대역폭 등 네트워크 자원을 효율적으로 활용하는 장점을 얻는다.
(그림 7)은 해당 파일 전송이 완료된 후, Globus Online 시스템에서 측정한 DTN 간의 Disk to Disk 성능을 나타낸다. 시험 결과, 측정된 성능은 98.34MB/s (약 790Mbps)로, 튜닝이 최적화된 물리적인 서버를 독립적인 물리 회선으로 연결한 시험 환경의 성능시험 결과와 거의 유사한 성능을 보임을 확인할 수 있었다.
2절에서 다룬다. 지능형 분산 서비스 자원의 오케스트레이션 기술을 통하여 컨테이너 기반의 가상화된 컴퓨팅/스토리지 리소스와 이를 활용할 사용자의 엔드호스트를 대상으로 독립된 가상망 슬라이스를 생성한 후 요구 대역폭과 성능을 보장할 수 있다.

후속연구

SDN을 활용할 경우, 그동안 관리자에 의한 수동적인 네트워크 설정과 제어가 주류를 이루었다면 앞으로는 네트워크 빅데이터의 분석을 통해서 정책과 의사를 결정하는 자율형 네트워킹 제어와 관리가 가능해질 것으로 예상된다. 자율형 네트워킹을 위한 자동화/지능화 기술은 초기의 운영자 주도형 자가관리프레임워크 개발 [6-8]로부터 최근에는 SDN과 NFV (Network Function Virtualization) 네트워킹을 인공지능과 결합하여 네트워킹 자원의 가상화와 동적 슬라이싱이 가능한 인프라의 제어와 관리를 수행하는 방향으로 진화하는 추세이다[9, 10].
따라서 향후 가상망 슬라이스의 운용 최적화 및 지능화된 저손실/저지연/대용량 데이터 전송 관련 연구와 SDN 광역망 환경 에서의 DDoS 공격 탐지 연구 등에 인공지능 기술을 적용하여 네트워크 지능화 계층의 기본틀을 정립하고자 한다. 더불어 네트워크 지능화를 위한 빅데이터 수집/분석, 머신러닝 모델 기반의 훈련/학습 및 테스트 등의 관련 연구를 지속적으로 수행할 계획이다
다만 KREONET-S의 고도화된 자동화/지능화 프레임워크를 위한 AI/머신러닝 기반의 네트워크 지능화 계층에 대한 연구개발은 아직 초기 단계에 머물러 있다. 따라서 향후 가상망 슬라이스의 운용 최적화 및 지능화된 저손실/저지연/대용량 데이터 전송 관련 연구와 SDN 광역망 환경 에서의 DDoS 공격 탐지 연구 등에 인공지능 기술을 적용하여 네트워크 지능화 계층의 기본틀을 정립하고자 한다. 더불어 네트워크 지능화를 위한 빅데이터 수집/분석, 머신러닝 모델 기반의 훈련/학습 및 테스트 등의 관련 연구를 지속적으로 수행할 계획이다

질의응답

핵심어	질문	논문에서 추출한 답변
	SDN의 정의는 무엇인가?	잘 알려져 있듯이 SDN은 차세대 네트워킹 기술로 많은 관심을 끌고 있고, 비영리 콘소시움인 ONF (Open Networking Foundation) [23]에서 관련 핵심기술의 개발, 인터페이스 및 데이터 모델 표준화, 통신사 및 서비스 제공자 중심의 상용화를 추진하고 있다. ONF에 의하면 SDN의 정의는 다음과 같다 : “SDN 아키텍처에서 Data Plane과 Control Plane은 상호 독립되어 있으며 네트워크 지능화 (Network Intelligence) 부문과 상태 정보는 논리적으로 중앙 집중화된다. 그리고 네트워크 인프라는 애플리케이션 관점에서 추상화한다.” 이러한 정의를 바탕으로 SDN의 기본 구조는 크게 Data Plane, Control Plane, Application Plane으로 구성되며, (그림 1)과 같이 Data Plane과 Control Plane을 연계하는 Southbound Interface (SBI)와 Control Plane과 Application Plane을 연결하는 Northbound Interface (NBI)를 통해 네트워크 인프라를 추상 화한다.
	SDN 제어기의 특징은 무엇인가?	이러한 문제를 해결할 수 있는 방안으로 SDN이 각광받고 있는데 그 이유는 SDN이 데이터전송 계층(Data Plane)과 제어 계층(Control Plane)을 분리함으로서 논리적으로 중앙 집중화된 제어기를 통해 네트워크 자원을 관리할 수 있기 때문이다. SDN 제어기는 마치 네트워크 운영체제와 같은 역할을 하며 네트워크 디바이스를 동적으로 프로그래밍할 수 있을 뿐만 아니라 네트워크 상태와 설정 데이터를 실시간으로 모니터링 및 수집하고 패킷/플로우의 상세정보를 획득함으로써 글로벌 네트워크의 토폴로지뷰를 계산할 수 있다. 따라서 머신러닝 등 지능화 기술을 네트워크에 적용함에 있어서 SDN이 매우 효율적인 기술로 여겨지고 있다[5].
	오케스트레이션 시스템의 각 구성요소와 그 기능은 무엇인가?	•오케스트레이터(VDNO, VDN Orchestrator) : 지능형 제어가 가능한 외부 서버 및 직접적인 사용자의 서비스 자원 요청에 따라 위치와 가 용자원 기반의 컨테이너/클라우드 리소스의 동적 생성과 가상 네트워크 슬라이스의 온디맨드 연동 및 활용 총괄 •컨테이너 관리자(Kubernetes) : VDNO가 지능적으로 선택한 서비스 클라우드의 위치 및 서비스 자원의 요구사항에 따라 해당 위치의 클라우드에 컨테이너 서비스 자원을 할당하고 수행 결과를 응답 •가상 네트워크 관리자(VDN) : 오케스트레이터로부터 사용자(엔드호스트 등), 할당된 컨테이너 기반의 서비스 자원, 요구 대역폭 정보 등을 포함한 가상 네트워크 슬라이스의 관리 요청을 받아 처리하고, SDN 제어기인 ONOS를 통하여 서비스 자원과 연계된 물리 네트워크 자원의 관리를 수행하고 결과를 응답 •SDN 제어기(ONOS) : VDN이 요청한 물리 네트워크 자원의 실질적 제어를 수행(플로우 룰, 미터 관리 등) •SDN 광역망(KREONET-S) 및 컴퓨팅/스토리지 자원, 인프라 : 물리적인 서비스 및 네트워크 자원

참고문헌 (26)

A. Manzalini et al., "Software-Defined Networks for Future Networks and Services," White Paper of IEEE SDN4FNS Workshop, 2014.
N. McKeown et al., "OpenFlow: Enabling Innovation in Campus Networks," ACM, vol. 38, no. 2, pp. 69-74, Apr. 2008.
T. D. Nadeau and K. Gray, "SDN: Software Defined Networks," O'Reilly Media Inc., 2013.
D. D. Clark et al., "A knowledge plane for the Internet," Proceedings of ACM SIGCOMM, pp. 3-10, 2003.
Junfeng Xie et al., "A Survey of Machine Leaning Techniques Applied to Software Defined Networking (SDN): Research Issues and Challenges," IEEE, vol. 21, no. 1, pp. 393-430, 2019.

상세보기
K. Tsagkaris et al., "A Survey of Autonomic Networking Architectures: Towards a Unified Management Freamwork," IJNM, vol. 23, no. 6, pp. 402-423, Nov/Dec. 2013.
R. Chaparadza et al., "Implementation Guide for the ETSI AFI GANA Model: a Standardized Reference Model for Autonomic Networking, Cognitive Networking and Self-Management," Proceedings of IEEE GLOBECOM Workshop on Management of Emerging Networks and Services, pp.935-940, Dec. 2013.
M. Behringer et al., "Autonomic Networking: Definitions and Design Goals," IETF RFC 7575, June 2015.
L. Xu et al., "CogNet: A Network Management Architecture Featuring Cognitive Capabilities," Proceedings of European Conference on Networks and Communications, pp. 325-329, June 2016.
P. Neves et al., "The SELFNET Approach for Autonomic Management in an NFV/SDN Networking Paradigm," IJDSN, vol. 12, no.2, pp. 1-10, 2016.
이종화, "ETSI Zero-touch Network & Service Management 표준기술", OSIA S&TR Journal, vol. 31, no. 4, pp.21-25, Dec. 2018.
ETSI, Long-Term Strategy 2016-2021, Retrieve d Oct. 21, 2018, from https://www.etsi.org/images/files/Brochures/ETSI_LTS%20Brochure_WEB.pdf.
조선우, 정다은, 박형곤, "머신러닝 기반 SDN/NFV 자동화 기술 연구 동향", OSIA S&TR Journal, vol. 31, no. 4, pp.11-16, Dec. 2018.
S. Sun et al., "An intelligent SDN framework for 5G heterogeneous networks," IEEE, vol. 53, no. 11, pp. 142-147, Nov. 2015.
S. Rahman et al., "Auto-scaling VNFs using machine learning to improve QoS and reduce cost," Proceedings of IEEE ICC, pp. 1-6, May 2018.
J. Leguay et al., "Admission control with online algorithms in SDN," Proceedings of IEEE/IFIP Network Operations and Management Symposium, pp. 718-721, Apr. 2016.
G. A. Ajaeiya et al., "Flow-based intrusion detection system for SDN," Proceedings of IEEE Symposium on Computers and Communications (ISCC), pp. 787-793, Jul. 2017.
Z. Ayyub Qazi et al., "Application-awareness in SDN," ACM, vol. 43, no. 4, pp. 487-488, 2013.
KREONET-S Website, Retrieved Dec. 12. 2019, from http://www.kreonet-s.net
김용환, 김기현, 김동균, "SD-WAN 기반 첨단연구망에서의 가상전용망 서비스 설계 및 구현", 한국통신학회논문지, 42권 10호, 2017. 10.
김동균, 김용환, 김기현, "KREONET-S의 SDN 기반 지능기술 구축개발현황 및 계획", OSIA S&TR Journal, vol. 31, no. 4, pp.31-38, Dec. 2018.
Gartner, "Gartner Forecasts Worldwide Public Cloud Revenue to Grow 17.3 Percent in 2019", 2018. 9.
Open Networking Foundation (ONF), Retrieved Dec. 12. 2019, from https://www.opennetworking.org
Open Network Operation System (ONOS), Retrieved Dec. 12. 2019, from https://onosproject.org
Kubernetes Website, Retrieved Dec. 12. 2019, from https://kubernetes.io/ko/
Globus Online Website, Retrieved Dec. 12. 2019, from https://www.globus.org

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증