1. Inferring Visibility:
Who’s (Not) Talking to Whom?
Department of Computer Science
Boston University
Gonca Gürsun
Natali
Ruchansky
Evimaria Terzi
Mark Crovella 浅見・川原研究室 川本 貴史

2. 目次
1. 要旨、背景
 Visibilityの推定による正確性の向上
 想定する状況
 競合研究
2. 手法
3. 評価
4. 結論
1

3. 1 要旨
 目的
– BGPが用いられる大規模ネットワークで、
自ネットワークを経由する通信の把握
 提案手法
– 「Visibility」の推定
 結果
– 正確性の大幅な向上
2

4. 大規模ネットワーク
 AS : (Autonomous System)自立システム
– ex) NTT東日本 AS17933 東大AS2500
 BGP : (Border Gateway Protocol)
– AS間の経路情報交換の際に用いられる
– BGP table
• 隣接するルータ間で共有することを繰り返すこ
とで共有される。
• 経路情報をすべて含み、この中から最適なもの
がルーティングテーブルとして保有
3

5. 大規模ネットワーク
 東大からMITへTracerouteを投げた。
4
AS2501 [東大]
AS2500 [WIDE PROJECT
AS22388
AS101 [Washington Unv.
AS19401
[National Lambdarail]
AS3 [MIT]
こういったネットワーク単位での通信を考える
AS2501 [東大]
AS101 [Washington Unv.]
AS3 [MIT]
AS2500 AS19401

6. 何がうれしいのか
 トラフィック量の急激な変動の原因がわかる。
 セキュリティ的には攻撃元のアドレスが分か
る。
 通信業者のビジネスインテリジェンスの向上。
– 直接契約関係にないノードの通信料を推定するの
に役立つ
5
i(From 東大)
j(To MIT)
今の通信業者A
東大と契約したい
通信業者B

7. 競合研究
 BGPが学習したルートから計算する方
法
– 大規模ネットワークに使えない。（計算量
大）
 得られたトラフィックから推定する方
法
– 大規模なネットワークに使える。正確性△
6
正確性の向上

8. 目次
1. 要旨、背景
2. 手法
 Visibilityの定義とゼロの分類
 ノードの分類
 Edge -トラフィックのみからの予測-
 Core –近接性からの予測-
3. 評価
7

9. Visibilityの定義
(src i, dst j)がAS x に対してVisibleである
||
iからjへのトラフィックがxにおいて観察さ
れる
8
i(From UT)
j(To MIT)x(Washington)
(i,j)がxに対してVisible

10. そもそもなぜ難しいのか
 「通信が経由しない」かどうかはわからない
9
i
jx
i
jx
トラフィックが観察された
i
jx
トラフィックが観察されない
To j!!
???
To j!!
???
No packet sending…
通信を行ったとしても、
パスは観察点を経由しな
い。
今回はたまたま通信がない。
通信を行うと観察点を経由す
る。 false zero true zero
今回の提案手法によってこれを分類することができる

11. ゼロの分類問題 導入
 各成分が1,0からなる行列
 T(src i, dst j)
– 実際にパスが通るか
– （知りたい情報 = Visibility）
 M(src i, dst j)
– トラフィックが観察されたかどうか
10
ルーティング経路の類似性を用いて
M(i,j) = 0 をtrue zero / false zero に分類

12. ノードの分類
Edge
 隣接するノードが尐ない。
 ルーティングの類似性
高
 T行列の1,0の分布が特定
の行、列に集中。
Core
 隣接するノードが多い
 ルーティングの類似性 低
 T行列の1,0の分布が分散的
トラフィックのみで予測可能
ノード同士の近接性を
評価に加える必要
11
EDGE

13. Edge -トラフィックのみからの予測-
 M(i,j)=0となる(i,j)毎に部分行列M（S_i,D_j)を作成
– S_i はj列を見て1を与える行とi行の集合
– D_jはi行を見て1を与える列とj列の集合
12
(0)
部分行列の合計で分類！
3
2
1
0
falsezerotruezero

14. CORE -ノードの近接性-
 ノードの近接性を示す指標
– hop distanceを拡張
• rsd(x1,x2)
= #{xi | nexthop(xi, x1) != nexthop(xi, x2)}
13
 部分行列M（S_i,D_j)を作成。
– S_i はrsd((i, j), (i’, j))が閾値γより小さい行
の集合
– D_jはrsd((i, j), (i, j’))が閾値γより小さい列
の集合

15. 目次
1. 要旨、背景
2. 手法
3. 評価
 手法の妥当性
 閾値の妥当性
4. 結論
14

16. 手法の妥当性の評価
 目的
– false zero / true zero を分類する可能性を示す。
 データ
– 2011/12/06のトラフィックデータから行列T
を作成
– 行列Tの1である成分をランダムに0に変更し、
擬似的にfalse zero を持った行列Mを作成する。
 環境
– false zeroの割合を10,30,50,95%と変更する
15

17. 16TRUEZEROFALSEZERO
EDGE-1000 CORE-100
True zero ~1
False zero ~0
累積度数分布
合計(Log)
True zero ~1
False zero ~0
累積度数分布
合計(Log)
累積度数分布
合計(Log)
累積度数分布
合計(Log)
false
zero
true
zero
false
zero
true
zero
結果
これを繰り返すことで
M(i,j)=1の成分に対して求めた
部分行列の合計の下位3%のライン
が、閾値として求められる。

18.  手順
– 先ほどの評価手順を1000回行う。
 結果
閾値の妥当性の評価
Edge Core
Flip(%) TPR FPR TPR FPR
10 0.99 (0.062) 0.032 (0.15) 0.95 (0.067) 0.027 (0.022)
30 0.99 (0.061) 0.045 (0.15) 0.95 (0.071) 0.028 (0.021)
50 0.99 (0.067) 0.061 (0.17) 0.95 (0.064) 0.034 (0.025)
95 0.85 (0.18) 0.08 (0.18) 0.96 (0.054) 0.069 (0.046)
正しく true zero と把握し
た確率(標準偏差)
誤ってfalse zero と把握し
た確率(標準偏差)
Visibilityの推定ができている
17

19. VisibilityからTrafficへ
 概論
– Traffic量を表す行列（Traffic Matrix）の予測(*)に、
推測したVisibilityを導入することで性能を向上さ
せる。
 評価
Coreのデータから
Traffic Matrixのデータを作り
予測の方法を変えることで
誤差がどう変化するかを評価する。
18
正規化平均絶対予測誤差
*行列の成分予測を行うLMAFITというアルゴリズムを用いる

20. 目次
1. 要旨、背景
2. 手法
3. 評価
4. 結論
19

21. 結論
 ルーティングの類似性を用いてトラ
フィックの観察からflip rate 50%までは9
割以上の精度でVisibilityを推定すること
ができた。
 この推定したVisibilityを既存のアルゴリ
ズムに追加して用いることでTM
completionの精度を最大で3.5倍程度向上
させることができた。
20

22. ご清聴ありがとうございました！！
21

23. 結果-トラフィックからの予
測
22

24. 結果-近接性からの予測
23

25. TPR と FPR
 TPR : 左上/左
 FPR : 右上/右
24
本当の情報
（今回は p : true zero
n : false zero
仮説の情報
（今回は Y : true zeroと予想、
N : false zeroと予想
全体
: トラフィックがなかった

26. NMAME
 Normalized Mean Absolut Error (NMAE)
25

27. ALL SMALL LARGE
26