[论文解读] Adaptive Control Plane Load Balancing in vSDN Enabled 5G Network

Deborsi Basu, Uttam Ghosh+1 more|arXiv (Cornell University)|Jul 19, 2020

Software-Defined Networks and 5G参考文献 12被引用 6

一句话总结

本文提出了一种在虚拟化软件定义网络（vSDN）增强的5G网络中，采用控制器-虚拟机监控器（C-H）对部署模型的自适应控制平面负载均衡机制。通过采用混合整数线性规划（MILP）模型和反向路径-流量机制（RPFM），该方法基于服务请求到达时间，最小化控制平面延迟并优化资源分配，显著降低延迟，为实时5G服务实现演进-超低延迟（e-ULL）体验。

ABSTRACT

In this work, we have formulated a controllerhypervisor (C-H) pair deployment approach to provide various network functions (such as differentiation between control and data signals, different translation functions etc.) with low latency. The system model deals with a real network topology and four well defined network latency matrices with an MILP model has been well constructed to optimize latency objectives. Reverse Path-Flow Mechanism (RPFM) has been proposed in order to provide feasible solutions by keeping the network load and link capacity constrained under tolerance limit. We further minimize the H-plane load by distributing the network resources based on the arrival time of SERVICE IN requests from users. Through extensive experiment, the efficacy of the proposed system has been demonstrated in terms of significant latency reduction and an e-ULL (evolved-Ultra Low Latency) experience with efficient handling of all real-time user demands. The proposed approach can be used for similar localization problems like service chain mapping in 5G-NR, baseband unit deployment in 5G C-RAN, firewall deployment in distributed CPS.

研究动机与目标

• 解决采用虚拟化SDN（vSDN）架构的5G网络中控制平面延迟过高的问题。
• 通过区分控制平面与数据平面功能并实现低延迟部署，优化网络资源分配。
• 通过基于服务请求到达时间的动态资源分配，最小化H平面负载。
• 在容许限度内尊重网络负载和链路容量约束。
• 实现对5G-NR及关联分布式网络功能中实时用户需求的高效处理。

提出的方法

• 构建控制器-虚拟机监控器（C-H）对部署模型，将控制功能靠近用户部署，以减少信令延迟。
• 构建混合整数线性规划（MILP）模型，利用真实网络拓扑和四个定义的延迟矩阵，优化延迟目标。
• 引入反向路径-流量机制（RPFM），在尊重链路容量和网络负载约束的前提下生成可行解。
• 基于SERVICE IN请求的到达时间，自适应分配网络资源，以最小化H平面负载。
• 采用真实世界网络拓扑及四个不同的延迟矩阵，对真实条件下的性能进行建模与评估。
• 应用MILP模型以平衡控制平面负载，并在全网范围内实现低延迟服务提供。

实验结果

研究问题

• RQ1 如何通过战略性C-H对部署，在vSDN增强的5G网络中最小化控制平面延迟？
• RQ2 何种优化模型能有效平衡控制平面负载，同时尊重链路容量和网络负载约束？
• RQ3 基于服务请求到达时间的动态资源分配如何影响H平面负载和整体延迟？
• RQ4 所提出的RPFM机制在负载约束下，能在多大程度上确保网络运行的可行性和稳定性？
• RQ5 所提出的系统能否为实时5G服务实现演进-超低延迟（e-ULL）体验？

主要发现

• 通过优化C-H对部署和动态资源分配，所提出系统在控制平面实现了显著的延迟降低。
• RPFM机制成功生成了可行解，同时将网络负载和链路容量保持在定义的容许范围内。
• 基于MILP的优化模型通过优先根据服务请求到达时间分配资源，有效最小化了H平面负载。
• 大量实验表明，该系统具备支持实时5G用户需求的演进-超低延迟（e-ULL）体验的能力。
• 该方法可适应类似的定位问题，如5G-NR中的服务链映射和5G C-RAN中的基带单元部署。
• 该解决方案在基于真实网络拓扑生成的多种延迟矩阵下，均保持了网络的稳定性和性能。