[논문 리뷰] Scaling Migrations and Replications of Virtual Network Functions based on Network Traffic Forecasting

Francisco Carpio, Wolfgang Bziuk외 1명|arXiv (Cornell University)|2021. 05. 11.

Software-Defined Networks and 5G참고 문헌 46인용 수 19

한 줄 요약

이 논문은 ISP 엣지 네트워크에서 가상 네트워크 기능(VNF)의 이동과 복제를 선제적으로 안내하기 위해 LSTM 기반의 교통 예측 모델을 제안한다. 이는 운영 오버헤드를 줄이는 데 기여한다. 향후 교통 수요를 예측함으로써, 반응형 또는 과잉 할당 전략에 비해 이동 횟수를 최대 45% 감소시키고, 제3자 클라우드 오프로딩에 대한 의존도도 감소시킨다. 동시에 MILP 및 근사 알고리즘을 활용한 최적의 배치 및 복제 결정을 통해 낮은 서비스 지연을 유지한다.

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.

연구 동기 및 목표

• 예측 기반의 교통 예측을 활용하여 동적인 ISP 엣지 네트워크에서 VNF 이동 및 복제 횟수를 줄이는 것.
• 반응형 자원 재할당 또는 클라우드 오프로딩으로 인한 운영 비용 증가와 서비스 중단을 최소화하는 것.
• 반응형 및 과잉 할당 전략과 비교하여 교통 예측이 자원 활용도, 서비스 지연 및 클라우드 사용에 미치는 영향을 평가하는 것.
• 이동 및 복제 비용을 고려한 VNF 배치를 위한 오프라인(MILP) 및 온라인(그리디) 최적화 모델을 설계하고 비교하는 것.
• 다양한 교통 패턴에 대응하여 복제 오버헤드, 이동에 따른 보상 비용, 클라우드 사용 간의 상호 상충 관계를 평가하는 것.

제안 방법

• 역사적 시계열 데이터를 기반으로 향후 네트워크 교통 수요를 예측하기 위해 장기 단기 기억(LSTM) 신경망을 활용하는 것.
• 예측된 교통 수요 하에서 VNF 배치, 이동, 복제를 종합적으로 최적화하기 위한 오프라인 혼합정수선형계획(MILP) 모델을 수립하는 것.
• 예측된 교통 수요를 바탕으로 실시간으로 VNF 이동 및 복제를 결정하기 위한 그레디 온라인 알고리즘을 설계하는 것.
• 서비스 중단 보상 비용을 통해 이동 비용을 모델링하고, VM 오버헤드 및 동기화 트래픽을 통해 복제 비용을 모델링하는 것.
• 세 가지 시나리오를 비교하는 것: (i) 현재 교통 수요 기반의 반응형 배치, (ii) 과거 최대 교통 수요를 기반으로 한 과잉 할당, (iii) LSTM로 예측한 교통 수요를 기반으로 한 선제적 배치.
• 서버 용량과 교통 패턴을 다양하게 설정한 조건에서 네트워크 토폴로지(N7 및 N45)에서 성능을 평가하는 것.

실험 결과

연구 질문

• RQ1 LSTM 기반의 교통 예측은 반응형 또는 과잉 할당 전략에 비해 ISP 엣지 네트워크에서 VNF 이동 및 복제 횟수를 줄일 수 있는가?
• RQ2 예측 기반의 교통 수요 예측은 제3자 클라우드 리소스를 통한 VNF 오프로딩에 얼마나 영향을 미치는가?
• RQ3 동적인 VNF 배치에서 이동으로 인한 서비스 중단과 복제로 인한 자원 오버헤드 사이의 상호 상충 관계는 어떠한가?
• RQ4 현재 상태 기반 또는 과잉 할당 기반 접근 방식에 비해 교통 예측이 서비스 지연과 네트워크 자원 활용도에 얼마나 기여하는가?
• RQ5 LSTM 모델의 계산 및 학습 비용은 대규모 또는 매우 동적인 네트워크에서 예측 기반 VNF 배치의 확장성에 어떤 영향을 미치는가?

주요 결과

• 충분한 복제 리소스가 확보된 조건에서, LSTM 기반의 교통 예측은 현재 교통 수요 기반의 반응형 배치 대비 VNF 이동 횟수를 최대 45% 감소시킨다.
• 예측 기반 접근 방식은 과잉 할당 전략에 비해 제3자 클라우드 제공자에 대한 의존도가 크게 감소하며, 복제본이 할당된 경우 클라우드 사용량이 거의 두 배 감소한다.
• 예측된 교통 수요 시나리오는 이동 횟수가 적어 반응형(obsv) 사례보다 평균 서비스 지연이 낮으며, 저~중간 부하 조건에서는 과잉 할당 전략보다 우수한 성능을 보인다.
• 과잉 할당은 교통 변동성에 적응하지 못함에 따라, 특히 저부하 네트워크에서 예측 기반 방법과 비교해 더 높은 클라우드 사용량과 유사하거나 더 많은 이동 횟수를 유발한다.
• 그레디 온라인 알고리즘은 정확한 모델의 MILP 해를 수용 가능한 성능으로 효과적으로 근사하여, 계산 복잡도가 높은 정확한 모델의 실시간 구현을 가능하게 한다.
• LSTM 학습은 무시할 수 없는 계산 자원과 시간을 요구하며, 이는 대규모 또는 매우 동적인 네트워크에서 확장성 문제를 야기한다.