[論文レビュー] AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience

Amina Lejla Ibrahimpasic, Bin Han+1 more|arXiv (Cornell University)|Jan 22, 2021

Software-Defined Networks and 5G参考文献 10被引用数 10

ひとこと要約

本稿では、5Gマルチアクセスエッジコンピューティング（MEC）におけるAI駆動型でコスト・ロス最適なVNF移行フレームワークを提案し、運用コストと障害によるサービス損失の合計を最小化する。実際のGPSトレースデータを用いて訓練された混合密度ネットワーク（MDN）と洗練されたコスト・ロスモデルを統合することで、ユーザーのエッジクラウド訪問確率を予測し、文脈に即した状態保持型VNF移行を可能にし、現実的な移動パターンを想定したシミュレーションにおいて、しきい値ベースのベンチマークを上回る性能を示した。

ABSTRACT

With a wide deployment of Multi-Access Edge Computing (MEC) in the Fifth Generation (5G) mobile networks, virtual network functions (VNF) can be flexibly migrated between difference locations, and therewith significantly enhances the network resilience to counter the degradation in quality of service (QoS) due to network function outages. A balance has to be taken carefully, between the loss reduced by VNF migration and the operations cost generated thereby. To achieve this in practical scenarios with realistic user behavior, it calls for models of both cost and user mobility. This paper proposes a novel cost model and a AI-empowered approach for a rational migration of stateful VNFs, which minimizes the sum of operations cost and potential loss caused by outages, and is capable to deal with the complex realistic user mobility patterns.

研究の動機と目的

• 状態保持型VNF移行におけるコスト・ロスのトレードオフを解消するため、移行には運用コストが発生するが、障害によるサービス劣化を防ぐ。
• VNF移行コストとサブスクライバープロファイル（SP）同期コストの両方を考慮した、現実的で文脈に即したモデルを構築し、特に動的なユーザー移動状況下でも有効であるようにする。
• 簡素化された移動モデルに代えて、複雑な現実のユーザー移動パターンを捉えることができるデータ駆動型でAIベースのアプローチを採用することで、先行研究を改善する。
• 予測されたユーザー行動と障害リスクに基づき、いつ、どこにVNFを移行すべきかを動的に意思決定する、コスト・ロス最適なVNF移行ポリシーを設計・検証する。

提案手法

• ユーザーに依存しないVNF移行コスト（cNF）とユーザーに依存するSP同期コスト（cSP）を分離する洗練されたコスト・ロスモデルを提案し、障害リスクと1サブスクライバーあたりのサービス損失（l）を組み込む。
• 洗練されたコストモデルから導出された期待される移行コストと潜在的障害損失の合計を最小化する、新しいコスト・ロス最適移行ポリシーを構築する。
• 実際のGPSトレースデータから複雑で非ガウス分布に従うユーザー移動パターンをモデル化するため、3層の全結合ReLU活性化層とソフトマックス出力層を備えた混合密度ネットワーク（MDN）を採用する。
• Geolifeデータセットを用いてMDNを学習し、歩行者に類似したトレースの90％を対象とし、2次元座標を区別した32サンプルの時間窓を用いて、1ステップ先のユーザー位置とEC訪問確率を予測する。
• RMSprop最適化アルゴリズムを用い、平均二乗誤差損失関数を用いて、バッチサイズ512で15エポック分、トレーニングを実施し、高速な収束と高い予測精度を達成した（検証結果により確認）。
• 8×8 km²の領域、2 km半径のMECカバレッジ、1000人のユーザーを想定したシミュレーションフレームワークを実装。MDN適合移動モデルで初期化し、マコフ過程を用いてVNF障害をシミュレートし、オンラインでの移行意思決定を実装。

実験結果

リサーチクエスチョン

• RQ1 VNF移行コストとサブスクライバープロファイル同期コストの両方を組み込むことで、状態保持型VNF移行におけるコスト・ロストレードオフをどの程度正確にモデル化できるか？
• RQ2 実GPSトレースデータを用いて訓練された混合密度ネットワーク（MDN）は、簡素化された移動モデルと比較して、ユーザーのエッジクラウド訪問確率をどの程度高い精度で予測できるか？
• RQ3 AI駆動型で文脈に即したVNF移行ポリシーは、現実的なユーザー移動状況下で、従来のしきい値ベースのアプローチよりもコスト・ロス最小化の観点で優れているか？
• RQ4 ユーザー移動の定常性がMDNベースの移動モデリングの性能に与える影響は何か？また、長期的トレース解析においてその影響をどのように軽減できるか？

主な発見

• 提案されたMDNベースの移動モデルは高い予測精度を達成し、15エポックにわたりトレーニング損失と検証損失が急速に減少し、良好な収束性と一般化性能を示した。
• 長時間のトレースをより定常的な短い区間に分割することで、MDNは複雑で非定常なユーザー移動パターンを効果的にモデル化し、モデルフィッティング性能を向上させた。
• シミュレーション結果から、提案されたAI駆動型移行方式は、PoとPvのしきい値に関するすべてのテスト設定で、ベンチマークのしきい値ベース手法を一貫して上回ることが明らかになった。
• ベンチマークが最適にチューニングされた場合でさえ、MDNベースのアプローチは運用コストと潜在的サービス損失の合計を低く抑え、コスト・ロス最適化における優位性を裏付けた。
• 実世界のGPSデータをMDNに統合することで、EC訪問確率の正確な予測が可能となり、動的で現実的な環境下での最適な移行意思決定に不可欠な要素となった。