- Une étude récente a caractérisé la stabilité de la latence entre les utilisateurs finaux et les serveurs périphériques du réseau de diffusion de contenu (CDN), qui constituent une infrastructure critique pour la diffusion de contenu à la plupart des utilisateurs finaux.
- Les résultats indiquent que notre infrastructure de réseau est généralement bien optimisée pour offrir des connexions de réseau avec peu ou pas de variations.
- La détermination des causes exactes des pics et des variations de latence reste l’un des principaux objectifs de nos travaux futurs.
La latence ou le temps d’aller-retour (RTT) entre deux hôtes finaux (par exemple, l’ordinateur portable ou la tablette d’un utilisateur et un serveur web) est un facteur déterminant de l’expérience de l’utilisateur. L’établissement d’une connexion à faible latence entre deux points d’extrémité communicants est donc crucial pour maximiser les performances de l’application.
Les réseaux de diffusion de contenu (CDN) sont devenus essentiels pour réduire les temps de latence en diffusant le contenu à partir de serveurs “périphériques” situés à “proximité” des utilisateurs finaux. Cette tâche a exigé des CDN qu’ils déploient des centaines de milliers de serveurs dans divers réseaux et emplacements géographiques, et qu’ils déterminent dynamiquement quel serveur peut répondre à la demande d’un utilisateur final donné en fonction des mesures de performance (latence) et d’autres facteurs (charge). Ainsi, la plupart des contenus consommés par les utilisateurs finaux sur l’internet sont actuellement servis par des CDN, ce qui en fait une référence précieuse pour comprendre les performances globales de l’internet du point de vue de l’utilisateur final.
Dans une étude récente, mes collègues et moi-même de BITS Pilani, Goa, et de la Vrije Universiteit Amsterdam avons cherché à caractériser les temps de latence des chemins entre les utilisateurs finaux et les serveurs de CDN.
Notre intérêt est de comprendre la “stabilité” de la latence, car elle a des implications importantes en termes de performances pour diverses applications.
Même les meilleurs systèmes connaissent des variations
Nos travaux se sont concentrés sur la “constance” des latences, c’est-à-dire sur la mesure dans laquelle les latences observées sont exemptes de variations “substantielles”.
Pour mesurer la constance, nous avons utilisé 69 ancres RIPE Atlas comme points d’observation et cent serveurs de périphérie (voir figure 2) appartenant à cinq CDN largement utilisés comme cibles. (Veuillez vous référer à notre article pour plus de détails sur la sélection de nos points d’observation et de nos cibles). Nous avons mesuré les temps de latence entre nos points d’observation et nos cibles toutes les deux heures pendant dix jours consécutifs. Nous avons ensuite rassemblé les latences entre chaque paire de points d’observation et de cibles dans une “chronologie”. Nous avons caractérisé la constance des observations de latence à l’aide de trois approches bien connues :
- Constance mathématique – À l’aide de trois algorithmes statistiques, nous mesurons où les latences observées présentent un écart “substantiel” par rapport aux valeurs passées d’une ligne temporelle. Pour l’essentiel, nous ignorons les écarts mineurs dans le signal de latence et ne prenons en compte que les changements substantiels, souvent appelés “changements de niveau”. Les cas où nous observons de tels changements de niveau sont appelés “points de changement” (voir figure 3), et la région entre deux points de changement est la “région sans changement” (CFR), dans laquelle la latence (signal) est considérée comme constante. Plus la durée des CFR est importante, plus la ligne temporelle de latence est stable (ou constante).
- Constance opérationnelle – Nous définissons une séquence d’observations de latence comme constante si ces latences se situent à l’intérieur de certains seuils prédéfinis (par exemple, 25-50 ms).
- Constance prédictive – Si, sur la base de données historiques, nous pouvons prédire avec précision l’observation de latence suivante, les variations de latence sont considérées comme non substantielles – la chronologie de la latence est (selon la notion prédictive) constante.
Les résultats indiquent que notre infrastructure de réseau est généralement bien optimisée pour offrir des connexions de réseau avec peu ou pas de variations (ou gigue).
Nous avons observé que les régions CFR maximales – la période maximale pendant laquelle les latences dans une ligne de temps sont restées mathématiquement constantes – sont au moins trois fois plus grandes que celles rapportées dans des travaux antérieurs récents.
Nous avons également remarqué que, même d’un point de vue opérationnel, la plupart des lignes de temps étaient constantes : 95 % d’entre elles ont un TFC maximal de cent heures ou plus, soit un facteur de quatre de plus que ce qui a été montré dans des travaux antérieurs. Même avec un seuil de constance plus strict de 25 ms, nous avons observé que la médiane du CFR maximal de toutes les lignes de temps était supérieure à 230 heures (96 % de la durée de notre étude).
Nous avons néanmoins observé qu’environ 4 % de toutes nos observations présentent des “pics” de latence, ce qui est au moins deux ordres de grandeur plus important que ce qui a été rapporté dans des travaux antérieurs récents. Bien qu’ils ne soient pas typiques, les chemins de réseau fournis par notre infrastructure Internet actuelle subissent des dégradations non triviales de la latence, qui peuvent à leur tour entraîner de mauvaises performances des applications des utilisateurs finaux.
La détermination des causes exactes des pics et des variations de latence reste l’un des principaux objectifs de nos travaux futurs. Nos travaux actuels se sont également concentrés uniquement sur les mesures de latence entre les hôtes finaux compatibles avec IPv4, et nous prévoyons donc d’étudier ensuite les latences entre les hôtes compatibles avec IPv6. Nous souhaitons également vérifier la corrélation entre les mesures de latence IPv4 et IPv6 entre une paire donnée d’hôtes finaux (à double pile). Ces explorations devraient permettre de mieux comprendre les capacités de notre infrastructure de réseau.
Collaborateurs : Aniket Shaha, Vaibhav Ganatra, Balakrishnan Chandrasekaran, et Vinayak Naik
Aditya Bhat est étudiant en informatique à BITS Pilani, Goa, et s’intéresse aux mesures de réseau, aux analyses de big data et à l’apprentissage profond.
Les opinions exprimées par les auteurs de ce blog sont les leurs et ne reflètent pas nécessairement celles de l’Internet Society.
Image by wal_172619 from Pixabay