[논문 리뷰] Placement and Routing Optimization Problem for Service Function Chain: State of Art and Future Opportunities

Weihan Chen, Xia Yin외 2명|arXiv (Cornell University)|2019. 10. 07.

Software-Defined Networks and 5G참고 문헌 15인용 수 7

한 줄 요약

이 논문은 네트워크 기능 가상화(NFV) 환경에서 서비스 기능 체인(SFC)의 배치 및 라우팅 최적화 문제에 대한 종합적인 서베이를 제공하며, VNF 배치와 트래픽 라우팅에 대한 독립적이고 통합된 최적화 접근법을 분석한다. 히ュ리스틱, 근사, 온라인 학습 방법 등 주요 알고리즘을 검토하고, 네트워크 성능 향상과 비용 효율성 향상을 위해 동적 스케일링과 기계학습 통합을 핵심 미래 연구 방향으로 규명한다.

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.

연구 동기 및 목표

• 네트워크 성능 최적화와 운영 비용 절감을 위해 SFC에서 VNF 배치와 트래픽 라우팅의 이중 과제를 분석하기 위해.
• 독립적이고 통합된 VNF 배치 및 라우팅 최적화를 위한 기존 솔루션을 조사하며, 알고리즘적 접근법과 성능 트레이드오프에 중점을 두기 위해.
• 현재 SFC 구성 방법의 주요 한계, 특히 정적 성격과 실시간 트래픽 수요 변화에 대한 적응성 부족을 규명하기 위해.
• 실시간 적응과 향상된 확장성을 가능하게 하기 위해 탄력적 스케일링과 기계학습 통합을 포함한 미래 연구 방향 탐색하기 위해.
• 목표, 수식화, 알고리즘 유형, 계산 복잡도 기반으로 최적화 방법을 체계적으로 비교하기 위해.

제안 방법

• VNF 배치 문제를 최소화할 목표(예: 도입 비용 또는 트래픽 스위칭 비용)를 가진 자원 제약 최적화 문제로 모델링한다.
• 라우팅 문제를 SFC 순서 제약 조건을 만족하는 경로 선택 작업으로 모델링하며, 지연, 링크 이용률, 재정적 비용 최소화를 목표로 한다.
• 혼합정수계획법 또는 근사 기법을 사용해 충돌하는 목표(예: 낮은 배치 비용 대비 낮은 라우팅 비용)를 균형 잡는 VNF 배치 및 라우팅의 통합 최적화를 제안한다.
• 대규모 네트워크에서 계산 복잡도를 줄이고도 만족스러운 해 품질을 유지하기 위해 히ュ리스틱 및 근사 알고리즘을 평가한다.
• 임계치 모니터링 기반의 동적 자동 스케일링 메커니즘(반응형)과 온라인 학습(예: FTRL)을 이용한 수요 예측을 통한 사전 자원 조정을 제안한다.
• 딥러닝과 온라인 학습의 응용을 탐색하여 SFC 흐름 속도를 예측하고 VNF 인스턴스 스케일링 결정을 안내한다.

실험 결과

연구 질문

• RQ1 SFC에서 VNF 배치와 트래픽 라우팅를 어떻게 통합 최적화하여 도입 비용과 네트워크 성능을 균형 잡을 수 있는가?
• RQ2 SFC 구성에서 배치 비용 최소화와 라우팅 비용 최소화 사이의 트레이드오프는 무엇인가?
• RQ3 목표, 수식화, 복잡도, 성능 기준으로 기존 최적화 알고리즘을 어떻게 평가하고 비교할 수 있는가?
• RQ4 현재 정적 SFC 구성 방법은 실시간 트래픽 변화에 대응하는 데 어떤 한계를 지니는가?
• RQ5 기계학습과 예측 모델은 SFC 배치 및 라우팅 결정의 확장성과 반응성 향상에 어떻게 기여할 수 있는가?

주요 결과

• 균형 잡힌 네트워크 성능과 비용 효율성을 달성하기 위해 VNF 배치 및 라우팅의 통합 최적화가 필수적이지만, 도입 비용과 라우팅 비용 간의 본질적 트레이드오프를 수반한다.
• 히ュ리스틱 및 근사 알고리즘은 대규모 네트워크에서 계산 복잡도를 줄이기 위해 널리 사용되지만, 확장성 확보를 위해 최적성의 일부를 포기할 수 있다.
• 임계치 기반 자동 스케일링은 반응형이며, 트래픽 변화에 대한 반응 지연으로 성능 저하를 초래할 수 있다.
• 온라인 학습 방법(예: FTRL)을 이용한 수요 예측은 사전 스케일링을 가능하게 하여 비용 효율성 향상과 트래픽 변동에 대한 반응성 향상을 개선한다.
• 특히 딥러닝을 포함한 기계학습 기법은 적응형, 확장 가능하고 데이터 기반의 의사결정을 가능하게 하여 SFC 최적화 향상 잠재력을 보여준다.
• 진전이 있었음에도 불구하고, 대부분의 기존 솔루션은 실시간 적응성을 결여하고 있어, 실제 네트워크에서 동적이고 탄력적인 SFC 구성이 필요하다.