ウォール街リスクモデルがクラウドコンピューティング効率を向上

クラウドストレージとクラウドコンピューティングの需要拡大に対応するため、企業はWANバックボーン容量増強に数百万ドルを費やしています。

主要課題の一つは、ネットワーク可用性と利用率のバランス維持。高利用率チャネルは突然のトラフィック急増に対応できず、ノード/リンク障害を招きます。

MIT、マイクロソフト、ヘブライ大学の研究チームが、金融リスク理論から着想を得た新数学モデルを開発。株式市場投資家が市場変動でリターン最大化と損失最小化を図る理論です。

新モデル「TeaVar」（Traffic Engineering Applying Value at Riskの略）は、データセンター間リンクの障害確率を評価。評価プロセスは株価変動予測に類似。トラフィックを最適に配分（異なるリンク経由で）し、全体ネットワーク使用率を最大化しながら損失を最小化。従来アプローチ（突然のトラフィック急増に備えリンクをアイドル維持）とは正反対で、エネルギーとリソースの浪費を防ぎます。

研究者たちによれば、このモデルでクラウドサービスプロバイダーがデータセンターリソースをより良く活用し、数百万ドルを節約可能。

TeaVarの仕組み

クラウドサービス大手は「トラフィックエンジニアリング（TE）」ツールで全経路を通じてデータ帯域を最適配分。最大可用性保証のため、複数リンクを低利用率に維持。多くのネットワークリンクは高利用率で動作せず、送信可能なトラフィックを送っていません。

ネットワーク利用率と可用性のトレードオフが存在し、従来TE手法では失敗します。

Reference: MIT | GitHub

あらゆるネットワークで、データ帯域チャンクは市場に投資される「資金」に似ており、異なる故障確率を持つ手段は不確実な価値を持つ「株式」に類似。この概念を用いて、最悪故障条件下でもデータが最小トラフィック損失で目的地に到達する「リスク認識」方法論を開発。

このアプローチで、企業は目標に最適な利用率-可用性バランスを実現。TeaVarはリスク最小化の扱いやすさに関するアルゴリズム課題と運用課題に対処します。

実データへの適用

シミュレートトラフィック（AT&T、IBM、Googleネットワーク経由）で従来TEツールと比較テスト。発生確率に基づく複数故障条件も生成。実データ適用で、従来TE手法の同可用性レベルで最大2倍のトラフィックをサポート可能。信頼性高いリンクをほぼフル稼働させ、リスクパスを回避してデータを誘導できました。

電子線ホログラフィーで光の波長限界を超えたナノスケール可視化を実現 AI制御ハイビームで夜間視界向上と眩惑防止を両立

産業技術