[論文レビュー] Scaling Migrations and Replications of Virtual Network Functions based on Network Traffic Forecasting

Francisco Carpio, Wolfgang Bziuk+1 more|arXiv (Cornell University)|May 11, 2021

Software-Defined Networks and 5G参考文献 46被引用数 19

ひとこと要約

本稿では、ISPエッジネットワークにおける仮想ネットワーク機能（VNF）の移行およびリプリケーションを能動的に最適化するためのLSTMベースの交通予測モデルを提案する。将来の交通需要を予測することで、反応的または過剰資源割り当て戦略と比較して、移行回数を最大45％まで削減し、外部クラウドへの依存度も低減する。同時に、MILPおよびグリーディアルゴリズムを用いた最適化された配置とリプリケーション意思決定により、低遅延を維持する。

ABSTRACT

Migration and replication of virtual network functions (VNFs) are well-known mechanisms to face dynamic resource requests in Internet Service Provider (ISP) edge networks. They are not only used to reallocate resources in carrier networks, but in case of excessive traffic churns also to offloading VNFs to third party cloud providers. We propose to study how traffic forecasting can help to reduce the number of required migrations and replications when the traffic dynamically changes in the network. We analyze and compare three scenarios for the VNF migrations and replications based on: (i) the current observed traffic demands only, (ii) specific maximum traffic demand value observed in the past, or (iii) predictive traffic values. For the prediction of traffic demand values, we use an LSTM model which is proven to be one of the most accurate methods in time series forecasting problems. Based the traffic prediction model, we then use a Mixed-Integer Linear Programming (MILP) model as well as a greedy algorithm to solve this optimization problem that considers migrations and replications of VNFs. The results show that LSTM-based traffic prediction can reduce the number of migrations up to 45\% when there is enough available resources to allocate replicas, while less cloud-based offloading is required compared to overprovisioning.

研究の動機と目的

• 動的ISPエッジネットワークにおけるVNF移行およびリプリケーション回数を、予測的交通予測を活用することで削減すること。
• 反応的リソース再割り当てまたはクラウドオフロードに起因する運用コストおよびサービス中断を最小限に抑えること。
• 反応的および過剰資源割り当て戦略と比較して、交通予測がリソース利用効率、サービス遅延、クラウド使用量に与える影響を評価すること。
• 移行およびリプリケーションコストを考慮したVNF配置のためのオフライン（MILP）およびオンライン（グリーディ）最適化モデルの設計と比較を行うこと。
• 変動する交通パターンに応じて、リプリケーションのオーバーヘッド、移行ペナルティ、クラウド使用量のトレードオフを評価すること。

提案手法

• 歴史的時系列データに基づき、将来のネットワーク交通需要を予測するために長短期記憶（LSTM）ネットワークを活用する。
• 予測された交通量下で、VNF配置、移行、リプリケーションを統合最適化するためのオフライン混合整数線形プログラミング（MILP）モデルを構築する。
• 予測された交通量に基づき、リアルタイムの意思決定を可能にするためのグリーディオンラインアルゴリズムを設計する。
• サービス中断ペナルティによる移行コストと、VMオーバーヘッドおよび同期トラフィックによるリプリケーションコストをモデル化する。
• 3つのシナリオを比較する：(i) 現在の交通量に基づく反応的配置、(ii) 過去の最大交通量を用いた過剰資源割り当て、(iii) LSTM予測交通量を用いた能動的配置。
• サーバ容量および交通パターンの変動に応じて、ネットワークトポロジー（N7およびN45）における性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースの交通予測は、ISPエッジネットワークにおける反応的または過剰資源割り当て戦略と比較して、VNF移行およびリプリケーション回数を削減できるか？
• RQ2 予測的交通予測は、VNFのクラウドオフロードに向けた第三者的クラウドリソースの利用にどのような影響を与えるか？
• RQ3 動的VNF配置において、移行に起因するサービス中断とリプリケーションに起因するリソースオーバーヘッドのトレードオフは何か？
• RQ4 交通予測は、現在状態または過剰資源割り当てに基づくアプローチと比較して、どの程度サービス遅延およびネットワークリソース利用効率を向上させるか？
• RQ5 LSTMモデルの計算コストおよび学習コストは、大規模または高動的なネットワークにおける予測的VNF配置のスケーラビリティにどのような影響を与えるか？

主な発見

• 十分なリソースがリプリケーションに割り当て可能な場合、LSTMベースの交通予測により、現在の交通量に基づく反応的配置と比較して、VNF移行回数を最大45％まで削減できる。
• 予測的アプローチは、過剰資源割り当てと比較して、外部クラウドプロバイダーへの依存度が著しく低減され、リプリケーションが割り当てられた場合にはクラウド使用量がほぼ2倍まで削減される。
• 予測交通量シナリオは、移行回数が少ないため、反応的（obsv）ケースよりも平均サービス遅延が低く、低～中程度の負荷条件下では過剰資源割り当てを上回る性能を示す。
• 過剰資源割り当ては、交通変動に適応できないため、特にリソースが余剰なネットワークでは、クラウド使用量が高く、予測ベースの手法と同等またはそれ以上の移行回数を示す。
• グリーディオンラインアルゴリズムは、正確なMILP解を許容できる性能で近似可能であり、計算複雑性の高い正確モデルにもかかわらず、リアルタイム展開が可能である。
• LSTMの学習には無視できない計算リソースと時間が必要であり、これは大規模または高動的なネットワークにおけるスケーラビリティの課題を生じさせる。