Caractérisation, identification dans le réseau et optimisation du transport de trafic à faible latence - le cas du Cloud-Gaming

Characterization, in-network identification and optimization of low-latency traffic transport - the case of Cloud-Gaming.

• Auteur / Autrice : Philippe Graff
• Direction : Olivier Festor, Thibault Cholez
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 12/12/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
• Jury : Président / Présidente : Ye-Qiong Song
• Jury : Examinateurs / Examinatrices : Olivier Festor, Thibault Cholez, Chadi Barakat, Stefano Secci, Noura Limam, Sandrine Vaton
• Jury : Rapporteurs / Rapporteuses : Chadi Barakat, Stefano Secci

Mots clés

Mots clés contrôlés

Informatique dans les nuages

Qualité de Service (télécommunications)

Architecture des réseaux d'ordinateurs

Apprentissage automatique

Microservices

Données -- Transmission

Systèmes virtuels (informatique)

Mots clés libres

Virtualisation de fonctions réseau

Faible latence

Microservices

Sécurité

Apprentissage automatique

Architecture réseau

Security

Network architecture

Machine learning

Low-Latency

Microservices

Network Function Virtualization

Résumé

Cette thèse s'intéresse au traitement du trafic à faible latence dans les réseaux, et en particulier aux services de type Cloud Gaming (CG) qui constituent notre cas d'étude. Ceux-ci ont fortement gagné en popularité et devraient représenter une part importante du trafic Internet dans les prochaines années. Or, les caractéristiques de leur trafic, à la fois haut débit et à faible latence, est exigeant pour les réseaux et rend difficile le maintien d'une bonne qualité de service (QoS) en conditions de réseau dégradées. Nous commençons par étudier le trafic de quatre plateformes de CG afin d'évaluer la capacité d'adaptation et la réactivité de leur algorithme de contrôle de congestion (CCA). Pour cela, nous dégradons synthétiquement les conditions réseau en impactant tour à tour le délais, la gigue, le taux de pertes et la bande passante disponible avec différentes intensités, et observons le trafic résultant. Dans un deuxième temps, nous étudions le trafic CG sur réseau cellulaire en reproduisant les conditions observées sur le réseau 4G d'Orange, y compris en situation de mobilité. Nous avons relevé une certaine disparité dans le comportement des plateformes. Certaines ne s'adaptent pas assez aux différentes contraintes et s'exposent par conséquent à de forts délais, se soldant parfois par des pertes de paquets. D'autres surréagissent, au détriment de leur qualité vidéo. L'ensemble des données collectées a été mis à disposition de la communauté. Constatant l'insuffisance des CCA de bout en bout, nous avons cherché dans un second temps à identifier le trafic CG dans le réseau pour lui faire bénéficier d'un traitement amélioré, en particulier au niveau des files d'attente qui peuvent induire de la latence en cas de congestion. Pour ce faire, nous avons mis au point un classificateur permettant de reconnaître avec une haute précision (98.5%) le trafic CG en s'appuyant sur un apprentissage automatique des propriétés statistiques du trafic qui sont calculées à la volée. Nous proposons une implantation de notre classificateur sous forme de plusieurs fonctions réseau virtuelles (VNF) pouvant traiter 10Gb/s. En partenariat avec Orange Labs, nous avons également étudié l'accélération de certaines fonctions sur un switch matériel programmable en P4 et en avons implanté certaines comme le calcul des caractéristiques, ce qui prouve qu'un déploiement réaliste au niveau d'un fournisseur d'accès est possible. Enfin, nous proposons de faire bénéficier le trafic CG d'une architecture "Low Latency, Low Loss, and Scalable Throughput" (L4S). Les plateformes actuelles de CG n'étant pas compatibles, nous avons développé notre propre plateforme et l'avons muni de Scream, un CCA basé pertes et délais pour le protocole RTP et supportant la notification explicite de congestion (ECN). Nous proposons de l'utiliser conjointement à DualPI2, un gestionnaire actif de files d'attente (AQM) disposant d'une file à faible latence. Nous évaluons alors le trafic face à différents flux concurrents soumis à un goulot d'étranglement. Pour la première fois, nous montrons l'intérêt de L4S par rapport aux approches classiques de gestion de file d'attente sur un véritable service à faible latence.

This thesis focuses on the transport of low-latency traffic in networks, and in particular on Cloud Gaming (CG) services we selected as our case study. CG plaforms have gained much popularity recently and are expected to become a significant part of Internet traffic share in the upcoming years. However, the characteristics of their traffic, at the same time high bandwidth and low latency, are challenging for networks and make it difficult to maintain good quality of service (QoS) in degraded network conditions. We first analyze the traffic of four CG platforms to evaluate the capacity of adaptation and responsiveness of their congestion control algorithm (CCA). We synthetically lower the network conditions by impacting in turn the delay, jitter, loss rate and available bandwidth with different intensities, and observe the resulting traffic. Then, we study CG traffic on cellular networks by reproducing the conditions observed on the Orange 4G network, including a user mobility scenario. We noted a some disparities in the platforms' behavior. Some do not adapt adequately to the different constraints and are therefore exposed to long queuing delays, sometimes resulting in packet losses. Others overreact, to the detriment of their video quality. All of the data collected was made available to the community. Considering the limitations of end-to-end CCA, we propose to identify CG traffic in the network to make it benefit from an improved traffic processing, in particular at the level of queues which can induce latency in case of congestion. We have developed a classifier able to recognize CG traffic with high precision (98.5%) by relying on a machine learning approach featuring the statistical properties of CG traffic which are calculated on the fly. We propose an implementation of our classifier as a set of virtual network functions (VNF) that can handle 10Gb/s. In collaboration with Orange Labs, we also considered the acceleration of some functions on a programmable hardware switch in P4 and implemented the extraction of flow statistical features, which proves that a realistic deployment at an ISP level is possible. Finally, we propose to experiment the transport of CG traffic in a “Low Latency, Low Loss, and Scalable Throughput” (L4S) architecture. As current CG platforms are not compatible, we developed our own platform coupled with Scream, a CCA based on loss and delays for the RTP protocol and supporting explicit congestion notification (ECN). We propose to use it in conjunction with DualPI2, an active queue manager (AQM) with a low latency queue. We then monitor the traffic on the bottleneck against different competing flows. For the first time, we evaluate the performance of L4S against traditional traffic engineering approaches on a real low latency service.