Congestion inference and traffic engineering in networks
Institution:
NiceDisciplines:
Directors:
Abstract EN:
Cette thèse présente des mécanismes pour obtenir de meilleures estimations de la congestion sur Internet. Elle présente également un mécanisme ayant des applications sur le trafic multipoint dans des réseaux overlay. Tout d’abord, nous présentons une méthode de différenciation des pertes qui permet aux protocoles de transport non fiables d’estimer avec précision la congestion de bout-en-bout, en distinguant les pertes liées à la congestion des pertes liées aux erreurs de transmission sur les liaisons sans fil. Ensuite, nous présentons deux contributions relatives à un outil de tomographie de réseau. Nous proposons d’une part un algorithme statistique qui vérifie les mesures binaires effectuées en multipoint par MINC pour estimer les pertes. Cet algorithme permet de garantir une estimation fiable des taux de pertes sur les différents liens. D’autre part, nous proposons une nouvelle version de l’estimateur de perte MINC. Notre estimateur utilise les informations multipoints cumulées fournies en retour pour évaluer les taux de perte sur tous les liens. Il peut être utilisé dans des situations où la bande passante pour transmettre les rapports de réception est faible. Enfin, nous présentons des techniques efficaces pour encoder les arbres de transmission multipoint au sein des paquets de données. Ces techniques d’encodage peuvent être utilisées pour implanter un routage multipoint explicite et sans état dans des réseaux overlay et ont donc des applications dan le domaine d’ingénierie de trafic multipoint.
Abstract FR:
This thesis presents methods which help to improve the quality of congestion inference on both en-to-end paths and internal network links in the Internet and a method which help to perform multicast traffic engineering in Overlay Networks. First, we propose an explicit loss differentiation scheme which allows unreliable transport protocols to accurately infer congestion on end-to-end paths by correctly differentiating congestion losses from wireless losses. Second, we present two contributions related to Multicast-based Inference of Network Characteristics (MINC). MINC is a method of performing network tomography which infers loss rates, i. E. , congestion on internal network links from end-to-end multicast measurements. We propose a statistical verification algorithm which can verify the integrity of binary multicast measurements used by MINC to perform loss inference. This algorithm helps to ensure a trustworthy inference of link loss rates. Next, we propose an extended MINC loss estimator which can infer loss rates of network links using aggregate multicast feedbacks. This estimator can be used to perform loss inference in situations where the bandwidth to report multicast feedbacks is low. Third, we present efficient ways of encoding multicast trees within data packets. These encodings can be used to perform stateless and explicit multicast routing in overlay networks and thus achieve goals of multicast traffic engineering.