[論文レビュー] Placement and Routing Optimization Problem for Service Function Chain: State of Art and Future Opportunities

Weihan Chen, Xia Yin+2 more|arXiv (Cornell University)|Oct 7, 2019

Software-Defined Networks and 5G参考文献 15被引用数 7

ひとこと要約

本論文は、ネットワーク機能仮想化（NFV）下でのサービス機能チェイニング（SFC）における配置およびルーティング最適化問題について包括的なサーベイを提供し、VNFの配置とトラフィックルーティングの独立的および統合的最適化アプローチを分析している。ヒューリスティック、近似、オンライン学習手法といった主要なアルゴリズムをレビューし、ネットワーク性能とコスト効率を向上させるために動的スケーリングと機械学習の統合が今後の重要な研究分野であると特定している。

ABSTRACT

Network Functions Virtualization (NFV) allows implantation of network functions to be independent of dedicated hardware devices. Any series of services can be represented by a service function chain which contains a set of virtualized network functions in a specified order. From the perspective of network performance optimization, the challenges of deploying service chain in network is twofold: 1) the location of placing virtualized network functions and resources allocation scheme; and 2) routing policy for traffic flow among different instances of network function. This article introduces service function chain related optimization problems, summarizes the optimization motivation and mainstream algorithm of virtualized network functions deployment and traffic routing. We hope it can help readers to learn about the current research progress and make further innovation in this field.

研究の動機と目的

• SFCにおけるVNF配置とトラフィックルーティングの二重的課題を分析し、ネットワーク性能の最適化と運用コストの低減を図ること。
• VNF配置とルーティングの独立的および統合的最適化の既存ソリューションをサーベイし、アルゴリズム的アプローチとパフォーマンスのトレードオフに焦点を当てる。
• 現在のSFC設定手法の主な制限要因、特に静的特性と動的トラフィック需要への適応性の欠如を特定すること。
• エラスティックスケーリングと機械学習統合といった今後の研究分野を検討し、リアルタイム適応性とスケーラビリティの向上を可能にする。
• 目的、定式化、アルゴリズムタイプ、計算複雑度に基づいた最適化手法の構造的比較を提供すること。

提案手法

• VNF配置問題を、デプロイコストやトラフィックスイッチングコストの最小化といった目的を持つリソース制約付き最適化問題としてモデル化する。
• ルーティング問題を、遅延、リンク利用度、財務コストの最小化といった目的を持つパス選択タスクとしてモデル化し、SFC順序制約を満たすようにする。
• 混合整数プログラミングや近似手法を用いて、配置コストとルーティングコストの相反する目的をバランスさせる配置およびルーティングの統合最適化を提案する。
• 大規模ネットワークにおける計算複雑度を低減しつつ、妥当な解の品質を維持するため、ヒューリスティックおよび近似アルゴリズムを評価する。
• しきい値監視に基づくリアクティブな自動スケーリングメカニズムと、オンライン学習（例：FTRL）を用いた需要予測によるプロアクティブなリソース調整を導入する。
• 深層学習とオンライン学習の応用を検討し、SFCフロー速度の予測とVNFインスタンスのスケーリング意思決定を支援する。

実験結果

リサーチクエスチョン

• RQ1 SFCにおいて、VNF配置とトラフィックルーティングをどのように統合的に最適化することで、デプロイコストとネットワークパフォーマンスのバランスを図れるか？
• RQ2 SFC設定において、配置コストの最小化とルーティングコストの最小化の間にはどのようなトレードオフがあるか？
• RQ3 目的、定式化、複雑度、パフォーマンスの観点から、既存の最適化アルゴリズムをどのように評価・比較できるか？
• RQ4 現在の静的SFC設定手法には、動的かつリアルタイムのトラフィック変動への対応が不十分であるという限界があるが、その理由は何か？
• RQ5 機械学習と予測モデルを活用することで、SFCの配置およびルーティング意思決定のスケーラビリティと応答性をどのように向上できるか？

主な発見

• 配置とルーティングの統合的最適化は、バランスの取れたネットワークパフォーマンスとコスト効率を達成するために不可欠であるが、デプロイコストとルーティングコストの間には本質的なトレードオフが存在する。
• ヒューリスティックおよび近似アルゴリズムは、大規模ネットワークにおける計算複雑度の低減に広く用いられているが、スケーラビリティの向上のためには最適性が犠牲になることがある。
• しきい値ベースの自動スケーリングはリアクティブな性質であり、トラフィック変化への応答が遅れるため、パフォーマンス劣化を引き起こす可能性がある。
• オンライン学習手法（例：FTRL）を用いた需要予測により、プロアクティブなスケーリングが可能となり、コスト効率とトラフィック変動への応答性が向上する。
• 特に深層学習を含む機械学習技術は、適応的でスケーラブルかつデータ駆動型の意思決定を可能にするため、SFC最適化の分野で有望な成果を示している。
• 進展は見られるものの、現在の大多数のソリューションはリアルタイム適応性に欠けており、生産環境ネットワークにおける動的でエラスティックなSFC設定の必要性が浮き彫りになっている。