현실 트래픽을 고려한 OBS 네트워크용 그래픽 확률 라우팅 모델

본 논문은 광버스트 스위칭(OBS) 네트워크에서 버스트 충돌로 인한 손실을 최소화하기 위한 새로운 라우팅 메커니즘을 제시한다. 기존의 충돌 해결 기법은 파장 변환, 섬광 지연선(FDL) 기반 버퍼링, 혹은 우회 라우팅 등으로, 모두 실시간으로 발생한 충돌을 처리하는 reactive 방식이며, 각 스위치의 로컬 정보에만 의존한다. 이러한 접근법은 트래픽이 도시 인구·고용·호스트 수에 따라 비균등하게 분포하는 현실적인 시나리오에서 비효율적이다. 이를 해결하고자 저자들은 베이지안 네트워크를 활용한 그래픽 확률 라우팅 모델(GPRM)을 설계하였다. GPRM은 네트워크의 각 노드에 독립적인 베이지안 네트워크를 두고, 네 개의 증거 변수(오프셋 시간, 버스트 손실률(BLR), 현재 홉 수, 목적지)를 입력으로 받아 각 가능한 다음 홉에 대한 성공·실패 확률을 계산한다. 베이지안 네트워크는 증거 변수들의 조건부 확률을 학습하고, MAP(Maximum A Posteriori) 추정을 통해 가장 높은 성공 확률을 가진 다음 홉을 선택한다. 증거 변수들은 독립성을 가정해 곱셈 형태로 결합되며, 성공 확률은 1‑성공확률 형태의 비용으로 라우팅 테이블에 저장된다. 라우팅 테이블은 <증거 조합, 다음 홉, 비용> 형태이며, 비용이 낮은 순으로 정렬된 후보 홉 리스트를 제공한다. 이 테이블은 일정 주기(T)마다 베이지안 네트워크의 최신 파라미터를 반영해 갱신된다. 또한, JET 신호 체계 위에 ACK와 NACK 패킷을 이용해 성공·실패 피드백을 전파하고, 이를 통해 베이지안 파라미터를 점진적으로 업데이트한다. 이러한 학습 메커니즘은 중앙 집중식 제어 없이도 네트워크 토폴로지 변화, 링크 고장, 트래픽 변동에 자동으로 적응한다. 실험은 NSFnet 토폴로지를 기반으로 NS‑2 시뮬레이터와 SMILE 라이브러리를 이용해 수행되었다. 시뮬레이션 설정은 각 파장 1 Gb/s, 평균 버스트 크기 400 KB, Poisson 도착 모델, 2개의 제어 채널과 4개의 데이터 채널을 포함한다. 결과는 GPRM이 초기 라우팅 정보가 없을 경우에도 1초 이내에 학습을 마쳐 최단경로 라우팅과 동등한 성능을 보이며, 부하가 증가할수록 BLR을 약 20 % 이상 감소시키고, 링크 활용도를 15 % 이상 향상시킨다. 특히, 높은 부하 상황에서도 GPRM은 버스트 손실을 효과적으로 억제하며, 네트워크 자원을 균등하게 분산시켜 전체적인 효율성을 높인다. 결론적으로, 베이지안 기반 확률 라우팅은 OBS 네트워크에서 실시간 적응형 경로 선택을 구현하는 실용적이고 확장 가능한 방법으로 평가된다.