[논문 리뷰] AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience

Amina Lejla Ibrahimpasic, Bin Han외 1명|arXiv (Cornell University)|2021. 01. 22.

Software-Defined Networks and 5G참고 문헌 10인용 수 10

한 줄 요약

이 논문은 5G 다중접근 엣지 컴퓨팅(MEC) 환경에서 운영 비용과 장애로 인한 서비스 손실의 합을 최소화하는 AI 기반, 비용-손실 최적의 VNF 이송 프레임워크를 제안한다. 실제 GPS 이동 경로 데이터를 기반으로 훈련된 혼합 밀도 네트워크(MDN)와 정교화된 비용-손실 모델을 통합하여 사용자 엣지 클라우드 방문 확률을 예측함으로써 맥락 인식형, 상태 기반 VNF 이송을 가능하게 하며, 실제 이동 패턴을 반영한 시뮬레이션에서 임계치 기반 기준 대비 뛰어난 성능을 보인다.

ABSTRACT

With a wide deployment of Multi-Access Edge Computing (MEC) in the Fifth Generation (5G) mobile networks, virtual network functions (VNF) can be flexibly migrated between difference locations, and therewith significantly enhances the network resilience to counter the degradation in quality of service (QoS) due to network function outages. A balance has to be taken carefully, between the loss reduced by VNF migration and the operations cost generated thereby. To achieve this in practical scenarios with realistic user behavior, it calls for models of both cost and user mobility. This paper proposes a novel cost model and a AI-empowered approach for a rational migration of stateful VNFs, which minimizes the sum of operations cost and potential loss caused by outages, and is capable to deal with the complex realistic user mobility patterns.

연구 동기 및 목표

• 상태 기반 VNF 이송 환경에서 이송 비용과 장애로 인한 서비스 품질 저하 간의 비용-손실 트레이드오프 문제를 해결하기 위해, 이송 시 발생하는 운영 비용은 물론 장애로 인한 서비스 품질 저하를 고려한 최적의 이송 전략을 도출한다.
• 특히 동적인 사용자 이동성 상황에서 VNF 이송 비용과 사용자 프로파일(SP) 동기화 비용을 모두 고려한 현실적인 맥락 기반 모델을 개발한다.
• 이전 연구에서 사용된 단순화된 이동 모델을 대체하여, 실제 생활 속 복잡한 사용자 이동 패턴을 포괄할 수 있는 데이터 기반 AI 기반 접근법을 도입함으로써 성능을 향상시킨다.
• 예측된 사용자 행동과 장애 위험을 기반으로 언제, 어디서 VNF를 이동시킬지를 동적으로 결정하는 비용-손실 최적의 VNF 이송 정책을 설계하고 검증한다.

제안 방법

• 사용자 독립적 VNF 이송 비용(cNF)과 사용자 의존적 SP 동기화 비용(cSP)을 분리하여 정교화된 비용-손실 모델을 제안하며, 각 사용자당 장애 위험과 서비스 손실(l)을 포함한다.
• 정교화된 비용 모델에서 유도된 기대값 기반의 총 이송 비용과 잠재적 장애 손실의 합을 최소화하는 새로운 비용-손실 최적 이송 정책을 개발한다.
• 실제 GPS 이동 경로 데이터에서 복잡하고 비정규 분포를 띠는 사용자 이동 패턴을 모델링하기 위해, 3개의 완전 연결된 ReLU 활성화 함수를 갖는 은닉층과 소프트맥스 출력층을 가진 혼합 밀도 네트워크(MDN)를 활용한다.
• Geolife 데이터셋을 기반으로 MDN을 훈련시키며, 보행자 유사 이동 경로의 90%를 사용하여 32개 샘플의 시간 윈도우로 분리된 2차원 좌표를 활용해 1단계 앞선 사용자 위치와 EC 방문 확률을 예측한다.
• RMSprop 옵timizer를 사용하고 평균 제곱 오차 손실을 적용하여 15 에포크 동안 배치 크기 512개의 이동 경로로 MDN을 훈련시켰으며, 검증 결과에서 빠른 수렴과 정확한 예측 성능을 확보했다.
• 8×8 km² 지역, 2 km 반경의 MEC 커버리지, MDN에 적합된 이동 모델로 초기화된 1000명의 사용자를 가진 시뮬레이션 프레임워크를 구현하였으며, 마르코프 과정을 통해 VNF 장애를 시뮬레이션하고 온라인 이송 결정을 수행한다.

실험 결과

연구 질문

• RQ1 VNF 이송 비용과 사용자 프로파일 동기화 비용을 함께 고려함으로써, 상태 기반 VNF 이송의 비용-손실 트레이드오프를 더 정확하게 모델링할 수 있는 방법은 무엇인가?
• RQ2 실제 GPS 이동 경로 데이터를 기반으로 훈련된 혼합 밀도 네트워크(MDN)는 단순화된 이동 모델 대비 사용자 엣지 클라우드 방문 확률 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 실제 사용자 이동 패턴을 반영한 맥락 인식형 AI 기반 VNF 이송 정책은 전통적인 임계치 기반 접근법 대비 비용-손실 최소화 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ4 사용자 이동의 정적 성격(stationarity)은 MDN 기반 이동 모델링 성능에 어떤 영향을 미치며, 장기적 이동 경로 분석에서 이를 어떻게 완화할 수 있는가?

주요 결과

• 제안된 MDN 기반 이동 모델은 매우 높은 예측 정확도를 달성하였으며, 15 에포크 동안 훈련 및 검증 손실이 급격히 감소하여 강력한 수렴성과 일반화 능력을 보였다.
• 장거리 이동 경로를 더 정적인 단위로 분할함으로써 MDN은 비정상적인 사용자 이동 패턴을 효과적으로 모델링하였으며, 이는 모델 피팅 성능 향상에 기여했다.
• 시뮬레이션 결과는 제안된 AI 기반 이송 기법이 모든 테스트된 Po 및 Pv 임계치 설정에서 기준 임계치 기반 방법보다 일관되게 뛰어난 성능을 보였음을 입증하였다.
• 기준 방법이 최적화된 경우에도 MDN 기반 접근법은 운영 비용과 잠재적 서비스 손실의 합을 더 낮게 유지하여, 비용-손실 최적화 측면에서의 우월성을 입증하였다.
• 실제 GPS 데이터를 MDN에 통합함으로써 EC 방문 확률을 정확하게 예측할 수 있었으며, 이는 동적인 현실 환경에서 최적의 이송 결정을 내리는 데 핵심적인 역할을 한다.