Ανασκόπηση Σχεδιασμού στο CAN Διονύσης Αθανασόπουλος Βασιλική Δεβελέγκα

Θέματα Ανακεφαλαίωση παραμέτρων σχεδιασμού και μετρήσιμων χαρακτηριστικών απόδοσης. Αξιολόγηση συναθροισμένων των σχεδιαστικών συνιστωσών στο CAN.

Χαρακτηριστικά αξιολόγησης επίδοσης συστήματος CAN Path length: # βημάτων μεταξύ δύο σημείων του CAN χώρου. Neighbor-state: # άλλων κόμβων που γνωρίζει ένας κόμβος Latency:  End-to-end latency: χρόνος μεταφοράς από σημείο σε σημείο.  Per-hop latency: χρόνος βήματος (End-to-end latency/path length). Volume: όγκος των δεδομένων που διαχειρίζεται ένας κόμβος. Routing fault tolerance: δυνατότητα πολλαπλών μονοπατιών μεταξύ δύο σημείων του χώρου. Hash table availability: επαρκής διατήρηση αντιγράφων (key, value).

Στόχος Αξιολόγηση της ταυτόχρονης χρήσης τεχνικών βελτίωσης απόδοσης:  μείωση του χρόνου δρομολόγησης στο CAN μειώνοντας είτε το μονοπάτι (path length) είτε το χρόνο ανά βήμα του CAN  Βελτίωση ευρωστότητας (robustness) του CAN στη δρομολόγηση και στην διαθεσιμότητα των δεδομένων  Εξισορρόπηση φορτίου (load balance) Μειονεκτήματα: αύξηση neighbor-state, όγκου δεδομένων (volume) και πολυπλοκότητας του συστήματος. Ανεξάρτητα από τον αριθμό των κόμβων!

Παράμετροι σχεδιασμού Διάσταση του χώρου: d # Πραγματικοτήτων: r # Εφάμιλλων κόμβων (Peers): p # Συναρτήσεων κατακερματισμού: k Χρήση RTT- weighted δρομολόγησης Χρήση ομοιόμορφου διαχωρισμού

Path- length Neighbor state Total path latency Per- hop latency volume Multiple routes replicas d O(dn 1/d )O(d)  --  - r  O(r)  -  p O(1/p)O(p)  O(p)*  k --  -Ο(k)-O(k) RTT --  --- U-part Μειωμένη διακύμανση Σχέση απόδοσης συστήματος και παραμέτρων σχεδιασμού * Only on replicated data

Μέτρηση Απόδοσης Μέτρηση απόδοσης CAN με ταυτόχρονη χρήση παραμέτρων σχεδιασμού συγκρίνοντας δύο αλγόριθμούς:  “bare bones”: χωρίς χρήση παραμέτρων σχεδιασμού d=2, r=1, p=0, k=1, RTT=OFF, U-part=OFF  “knobs on full”: πλήρης χρήση παραμέτρων σχεδιασμού d=10, r=1, p=4, k=1, RTT=ON, U-part=ON Σύστημα κλίμακας n=2 18 (≈ κόμβους) Τοπολογία: Η (100, 10, 1)

Αξιολόγηση Σημαντικοί παράγοντες: Αύξηση # διαστάσεων d  Μείωση του path length Χρήση RTT-weighted δρομολόγησης  Βελτιστοποίηση εύρεσης επόμενου βήματος  Μείωση του path latency χαρακτηριστικό“bare bones” “knobs on full” path length198,05,0 # neighbors4,5727,1 # peers02,95 IP latency115,9 ms82,4 ms CAN path latency ms135,29 ms Αποτελέσματα Αλγόριθμοι

Αποτελέσματα χαρακτηριστικό “bare bones” CAN “knobs on full” CAN path length198,005,00 # neighbors4,5727,10 # peers0,002,95 IP latency115,90 ms82,40 ms CAN path latency23.008,00 ms135,29 ms Η μείωση του path length είναι το μεγαλύτερο κέρδος από τον 2 ο αλγόριθμο και οφείλεται κυρίως στη πλήθος των διαστάσεων d.

Αποτελέσματα χαρακτηριστικό “bare bones” CAN “knobs on full” CAN path length198,005,00 # neighbors4,5727,10 # peers0,002,95 IP latency115,90 ms82,40 ms CAN path latency23.008,00 ms135,29 ms Το Latency Stretch (CAN latency / IP latency) γίνεται κάτω από 2 διατηρώντας την γνώση άλλων κόμβων σε λογικά επίπεδα (27,1 + 2,95 ≈ 30).

Αποτελέσματα χαρακτηριστικό “bare bones” CAN “knobs on full” CAN path length198,005,00 # neighbors4,5727,10 # peers0,002,95 IP latency115,90 ms82,40 ms CAN path latency23.008,00 ms135,29 ms Σημαντικό κέρδος έχουμε από τη μείωση του latency per node (IP latency). Οφείλεται στη χρήση peers και RTT στη δρομολόγηση για την επιλογή του αντιγράφου στον πιο κοντινό κόμβο.

“knobs on full” σε CAN H προσθήκη νέων κόμβων γίνεται στην άκρη της τοπολογίας (συνδέσεις με χαμηλό latency). Το συνολικό path latency παρουσιάζει πολύ μικρή αύξηση καθώς το path length αυξάνει πολύ αργά (4,56 στο 2 14 μέχρι 5,00 στο 2 18 ).

“knobs on full” σε τοπολογίες διαφορετικής κατανομής καθυστέρησης (delay distribution) Η (100, 10, 1): Transit – Stub topology, hierarchical link delay Η (20, 5, 2): Transit – Stub topology, hierarchical link delay R (10, 50): Transit – Stub topology, random link delay 10 x H (20, 5, 2): Transit – Stub topology, hierarchical link delay, backbone scaled by 10 (10 times lower density of CAN nodes)

Συνέπειες διαφορετικής κατανομής καθυστέρησης στο latency του CAN Αύξηση του # των κόμβων  βραδεία αύξηση του latency stretch Τοπολογία τυχαίας κατανομής καθυστέρησης  υψηλότερη αύξηση του latency stretch Μεγαλύτερο backbone  χαμηλότερη πυκνότητα κόμβων CAN  λιγότερο αποτελεσματική RTT-weighted δρομολόγηση  υποβαθμισμένο κέρδος Latency Stretch = CAN latency / IP latency

“knobs on full” σε τοπολογίες διαφορετικής κατανομής καθυστέρησης (delay distribution) Το latency stretch αυξάνει πολύ αργά σε σχέση με το n. Μεγαλύτερή αύξηση έχουμε στην τοπολογία τυχαίας κατανομής R(10, 50). Χαμηλότερο latency stretch έχουμε στην Η(100, 10, 1) λόγο της υψηλής πυκνότητας των κόμβων που επιτρέπουν την χρήση ευριστικών για τον εντοπισμό κοντινότερων κόμβων.

Παράρτημα Επίδραση διάστασης d στο path length Επίδραση realities r στο path length Μείωση latency με πολλαπλές hash functions Per-hop latency με χρήση peer κόμβων Per-hop latency με χρήση RTT-weighted δρομολόγηση Επίδραση uniform-partitioning

Επίδραση διάστασης d στο path length

Επίδραση realities r στο path length

Μείωση latency με πολλαπλές hash functions

Per-hop latency με χρήση peer κόμβων Κόμβοι/ zone (p)Per-hop latency (ms) 1116,4 292,8 372,9 464,4

Per-hop latency με χρήση RTT- weighted δρομολόγηση Διάσταση (d)Non-RTT RTT-weighted (ms) 1116,8116,4 2116,792,8 3115,872,9 4115,464,4

Επίδραση uniform-partitioning