[論文レビュー] Multi-Timescale Online Optimization of Network Function Virtualization for Service Chaining

Xiaojing Chen, Wei Ni+5 more|arXiv (Cornell University)|Apr 19, 2018

Software-Defined Networks and 5G参考文献 21被引用数 3

ひとこと要約

本稿は、ネットワーク機能仮想化（NFV）サービスチェイニングのためのマルチタイムスケールで完全に分散型のオンライン最適化フレームワークを提案する。確率的双対勾配法を用いてVM意思決定を分離し、時間平均コストを最小化するとともに、サービスバックログの安定化を図る。コスト-バックログのトレードオフを$[\theta, \theta^{-1}]$に達成し、学習・適応戦略を用いることで$[\theta, \theta^{-1} \text{log}^2(1/\theta)]$に改善し、ベンチマークと比較してNFVコストを30%削減、遅延を83%低減した。

ABSTRACT

Network Function Virtualization (NFV) can cost-efficiently provide network services by running different virtual network functions (VNFs) at different virtual machines (VMs) in a correct order. This can result in strong couplings between the decisions of the VMs on the placement and operations of VNFs. This paper presents a new fully decentralized online approach for optimal placement and operations of VNFs. Building on a new stochastic dual gradient method, our approach decouples the real-time decisions of VMs, asymptotically minimizes the time-average cost of NFV, and stabilizes the backlogs of network services with a cost-backlog tradeoff of $[ε,1/ε]$, for any $ε> 0$. Our approach can be relaxed into multiple timescales to have VNFs (re)placed at a larger timescale and hence alleviate service interruptions. While proved to preserve the asymptotic optimality, the larger timescale can slow down the optimal placement of VNFs. A learn-and-adapt strategy is further designed to speed the placement up with an improved tradeoff $[ε,\log^2(ε)/{\sqrtε}]$. Numerical results show that the proposed method is able to reduce the time-average cost of NFV by 30\% and reduce the queue length (or delay) by 83\%, as compared to existing benchmarks.

研究の動機と目的

• 仮想ネットワーク関数（VNF）を特定の順序でVMに配置する必要があるNFVサービスチェイニングにおける、密接に結合されたリアルタイム意思決定の課題に対処すること。
• 中央集権的またはヒューリスティックな手法の限界を克服し、確率的サービス到着と動的価格設定のもとで、完全に分散型でオンライン意思決定を可能にすること。
• 大規模で動的なNFV環境において、ネットワークサービスのバックログを安定化させながら、時間平均の運用コストを最小化すること。
• 頻繁なVNF再配置によるサービス中断を低減するため、最適性と安定性のバランスを取るためにマルチタイムスケール設計を導入すること。
• 収束速度を向上させ、最適性を損なわずにコスト-バックログトレードオフを改善するための学習・適応戦略を開発すること。

提案手法

• 各VMにおけるローカルのキューのバックログを双対変数として用いることで、VM間の意思決定を分離する確率的双対勾配法を提案する。
• リャプノフ最適化フレームワークを用いて、時間平均コストの最小化とサービスキューの安定化を同時に最適化し、$[\theta, \theta^{-1}]$のコスト-バックログトレードオフを達成する。
• VNF配置意思決定をサービス処理よりも頻度を低くするマルチタイムスケールアーキテクチャを導入し、混乱を低減する。
• 履歴データに基づいて最適化パラメータを動的に調整する学習・適応戦略を設計し、収束速度を向上させる。
• 各VMが自らのバックログとサービス要件に基づいて勾配を局所的に計算するプライマル-デュアル更新ルールを用い、完全に分散型の運用を実現する。
• リャプノフドリフトと摂動解析を用いて漸近的最適性と安定性を証明し、近似による最適性損失の厳密なバウンディングを示した。

実験結果

リサーチクエスチョン

• RQ1 確率的サービス到着と動的価格設定のもとで、分散型でオンラインの方法としてVNF配置とサービス処理を最適化するにはどうすればよいか？
• RQ2 密接に結合されたVM意思決定を持つ完全分散型NFVシステムにおいて、達成可能なコスト-バックログトレードオフは何か？
• RQ3 マルチタイムスケール設計は、頻繁なVNF再構成によるサービス中断を低減できるか、かつ漸近的最適性を保持できるか？
• RQ4 学習・適応メカニズムは、オンラインNFV最適化の収束速度とトレードオフ性能をどのように向上させられるか？
• RQ5 近似誤差は、提案された分散型フレームワークにおける最適性ギャップにどのような影響を与えるか？

主な発見

• 提案手法は、時間平均コストを最小化しサービスキューを安定化させるという点で漸近的最適性を示し、コスト-バックログトレードオフを$[\theta, \theta^{-1}]$に達成した。
• 学習・適応戦略により、トレードオフが$[\theta, \theta^{-1} \text{log}^2(1/\theta)]$に改善され、最適性を損なわず収束速度が著しく向上した。
• 数値結果から、動的トラフィックと価格変動下でも、既存のベンチマークと比較して時間平均のNFVコストが30%削減された。
• キュー長（遅延の代理指標）はベースライン手法と比較して83%低減され、混雑制御において優れた性能を示した。
• マルチタイムスケール設計により、VNF再構成に起因するサービス中断が効果的に低減され、実運用ネットワークへの実装が可能になった。
• 理論的分析により、近似による最適性損失が有界であり、時間の経過とともに減少することが確認され、本手法のロバスト性が裏付けられた。