[논문 리뷰] Multi-Timescale Online Optimization of Network Function Virtualization for Service Chaining

Xiaojing Chen, Wei Ni외 5명|arXiv (Cornell University)|2018. 04. 19.

Software-Defined Networks and 5G참고 문헌 21인용 수 3

한 줄 요약

이 논문은 네트워크 기능 가상화(NFV) 서비스 체인을 위한 다중 시간스케일, 완전 분산형 온라인 최적화 프레임워크를 제안한다. 확률적 이중 기울기 방법을 사용하여 가상 머신(VM) 결정을 분리하고, 시간 평균 비용을 최소화하면서 서비스 백로그를 안정화한다. 이는 $[\theta, \theta^{-1}]$의 비용-백로그 트레이드오프를 달성하며, 학습 및 적응 전략을 통해 $[\theta, \theta^{-1} \text{log}^2(1/\theta)]$로 향상되어 기준 대비 NFV 비용을 30% 감소시키고 지연을 83% 감소시킨다.

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.

연구 동기 및 목표

• 서비스 체인에서 가상 네트워크 기능(VNF)이 특정 순서로 VM에 배치되어야 하는 실시간 결합된 결정 문제를 해결한다.
• 중앙집중식 또는 휘발성 접근 방식의 한계를 극복하기 위해, 확률적 서비스 도착과 동적 가격 정책 하에서 완전히 분산형 온라인 결정을 가능하게 한다.
• 대규모이고 동적인 NFV 환경에서 시간 평균 운영 비용을 최소화하면서 네트워크 서비스 백로그를 안정화한다.
• 서비스 중단을 줄이기 위해 빈번한 VNF 재배치로 인한 영향을 최소화하는 다중 시간스케일 설계를 도입하여 최적성과 안정성의 균형을 이룬다.
• 학습 및 적응 전략을 개발하여 수렴 속도를 향상시키고, 점근적 최적성 손실 없이 비용-백로그 트레이드오프를 개선한다.

제안 방법

• 로컬 큐 백로그를 이중 변수로 사용하여 각 VM 간의 결정을 분리하는 확률적 이중 기울기 방법을 제안한다.
• 리아풀로프 최적화 프레임워크를 활용하여 시간 평균 비용을 최소화하고 서비스 큐를 안정화함으로써 $[\theta, \theta^{-1}]$의 비용-백로그 트레이드오프를 달성한다.
• 서비스 처리 주기보다 VNF 배치 결정 갱신 주기가 긴 다중 시간스케일 아키텍처를 도입하여 교란을 줄인다.
• 이전 데이터 기반으로 최적화 파라미터를 동적으로 조정하는 학습 및 적응 전략을 설계하여 수렴 속도를 향상시킨다.
• 각 VM이 자체 백로그와 서비스 수요 기반으로 기울기를 국지적으로 계산하는 원시-이중 업데이트 규칙을 사용하여 완전한 분산 운영을 가능하게 한다.
• 퍼티urbation 분석과 리아풀로프 드리프트를 활용하여 점근적 최적성과 안정성을 증명하며, 근사화에 의한 최적성 손실에 대한 엄밀한 경계를 확보한다.

실험 결과

연구 질문

• RQ1 확률적 서비스 도착과 동적 가격 정책 하에서, VNF 배치와 서비스 처리를 분산형 온라인 방식으로 어떻게 최적화할 수 있는가?
• RQ2 결합된 VM 결정이 존재하는 완전 분산형 NFV 시스템에서 달성 가능한 비용-백로그 트레이드오프는 무엇인가?
• RQ3 다중 시간스케일 설계는 빈번한 VNF 재구성으로 인한 서비스 중단을 줄일 수 있는가 동시에 점근적 최적성을 유지하는가?
• RQ4 학습 및 적응 메커니즘은 온라인 NFV 최적화의 수렴 속도와 트레이드오프 성능을 어떻게 향상시킬 수 있는가?
• RQ5 근사 오차는 제안된 분산 프레임워크에서 최적성 갭에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 $[\theta, \theta^{-1}]$의 비용-백로그 트레이드오프를 달성하며, 시간 평균 비용 최소화와 서비스 큐 안정화에서 점근적 최적성을 입증한다.
• 학습 및 적응 전략은 트레이드오프를 $[\theta, \theta^{-1} \text{log}^2(1/\theta)]$로 향상시켜 수렴 속도를 크게 향상시키며 최적성 손실 없이 유지한다.
• 수치적 결과는 동적 트래픽과 가격 정책 하에서 기존 기준 대비 시간 평균 NFV 비용이 30% 감소함을 보여준다.
• 기본 기반 대비 큐 길이(지연의 Proxy)를 83% 감소시켜 혼잡 제어 성능이 뛰어나다는 것을 입증한다.
• 다중 시간스케일 설계는 VNF 재구성으로 인한 서비스 중단을 효과적으로 줄여 실사용 네트워크에서의 구현 가능성을 높인다.
• 이론적 분석을 통해 근사화로 인한 최적성 손실이 유한하며 시간이 지남에 따라 감소함을 확인하여 이 방법의 강건성을 검증한다.