Predicting and identifying elephant flows in internet exchange point programmable networks

Pontos de Troca de Tráfego (PTTs) são redes de alto desempenho e permitem que vários sistemas autônomos da Internet realizem troca de tráfego, com benefícios que vão desde reduções de custo à melhorias de desempenho. Como em qualquer rede, os operadores de PTTs enfrentam diários desafios de gerenciamento para promover um melhor uso dos serviços fornecidos pela rede. Um problema essencial no gerenciamento de PTTs diz respeito à identificação de fluxos elefantes, que se caracterizam por ter duração e tamanho de tráfego significativamente altos em relação a outros fluxos. Diante disso, esse trabalho apresenta um mecanismo para prever o comportamento de fluxos e identificar os fluxos elefantes, mesmo antes que excedam os limiares. Para isso, são utilizadas observações históricas de fluxos anteriores e a correlação temporal de seus comportamentos. A avaliações de desempenho mostra que o mecanismo de predição é capaz de prever o tamanho e a duração dos novos fluxos e reagir rapidamente aos fluxos elefantes, com apenas 32 amostras históricas no modelo de inferência. A acurácia do mecanismo obteve até 80% de sucesso em cenários conservadores, com aproximadamente 5% de falsos positivos Além disso, também é apresentado o IDEAFIX, um mecanismo para identificar fluxos elefantes diretamente no plano de dados, utilizando switches programáveis, quando não é possível validar as predições. Essa abordagem analisa o volume e duração dos fluxos para cada pacote que entra na rede, imediatamente no switch de borda. As informações são armazenadas em registradores, indexados por chaves hash, e comparadas com limiares predefinidos para classificar os fluxos. A avaliação mostra que o IDEAFIX é significativamente mais eficiente que as abordagens do estado-da-arte implementadas em SDNs (Software Defined Networking) tradicionais (por exemplo, OpenFlow), que utilizam amostragem de fluxo com sFlow. Enquanto o mecanismo baseado no estado-da-arte soma até 17MB de dados de monitoramento inseridos na rede, o IDEAFIX incorre em apenas 25KB. Por fim, o protótipo implementado em linguagem P4 leva menos de 0.40ms para identificar e reagir aos fluxos elefantes, com precisão de 95% em cenários com recursos de memória escassos.Internet Exchange Points (IXPs) are high-performance networks that allow multiple autonomous systems to exchange traffic, with benefits ranging from cost reductions to performance improvements. As in any network, IXP operators face daily management challenges to promote better usage of the services provided by the network. An essential problem in IXP management concerns the identification of elephant flows, which are characterized by having traffic size and duration significantly higher than other flows. Therefore, we present a mechanism to predict flows behavior using historical observations and, by recognizing temporal patterns, identify elephant flows even before they exceed such thresholds. The prediction mechanism is able to predict the new flows size and duration, and react to elephant flows rapidly, with up to 32 historical samples in the prediction model. The mechanism accurately predicts up to 80% of elephant flows in conservative scenarios, with approximately 5% of false positives. In addition, we present IDEAFIX, a mechanism to identify elephant flows directly in the data plane, using programmable switches, when it is not possible to validate the predictions. This approach analyzing flows features for each ingress packet immediately in the edge switch. These features are then stored in registers, indexed by hash keys, and compared to predefined thresholds for flow classification. The evaluations show that IDEAFIX is significantly more efficient than the stateof- the-art approaches implemented with sFlow and traditional Software-Defined Networking (SDN) tools (e.g., OpenFlow). While state-of-the-art mechanisms add up to 17MB of monitoring data, our solution causes an overhead of only 25KB. Also, the prototype implemented in P4 language takes less than 0.40ms to identify elephant flows with a 95% accuracy in scenarios with scarce memory resources