[论文解读] AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience

Amina Lejla Ibrahimpasic, Bin Han+1 more|arXiv (Cornell University)|Jan 22, 2021

Software-Defined Networks and 5G参考文献 10被引用 10

一句话总结

本文提出了一种由人工智能赋能的、成本-损失最优的VNF迁移框架，适用于5G多接入边缘计算（MEC）环境，旨在最小化运营成本与因中断导致的服务损失之和。通过将优化后的成本-损失模型与基于真实GPS轨迹训练的混合密度网络（MDN）相结合，该方法可预测用户访问边缘云的概率，从而实现上下文感知、有状态的VNF迁移，在具有真实移动模式的仿真中优于基于阈值的基准方法。

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.

研究动机与目标

• 为解决5G MEC环境中状态化VNF迁移中的成本-损失权衡问题，其中迁移会产生运营成本，但可防止因中断导致的服务降级。
• 开发一种现实的、上下文感知的模型，同时考虑VNF迁移成本与用户订阅档案（SP）同步成本，特别是在动态用户移动性条件下。
• 通过采用基于数据驱动、人工智能的方法替代简化的移动性模型，改进先前工作，以捕捉复杂的真实用户移动模式。
• 设计并验证一种成本-损失最优的VNF迁移策略，动态决定何时何地迁移VNF，基于用户行为预测与中断风险。

提出的方法

• 提出一种优化后的成本-损失模型，将用户无关的VNF迁移成本（cNF）与用户相关的SP同步成本（cSP）分离，整合中断风险与每位用户的业务损失（l）。
• 设计一种新颖的成本-损失最优迁移策略，通过优化后的成本模型推导出迁移成本与潜在中断损失之和的期望值最小化。
• 采用具有三个全连接ReLU激活隐藏层和一个Softmax输出层的混合密度网络（MDN），以从真实GPS轨迹数据中建模复杂且非高斯的用户移动模式。
• 在Geolife数据集上训练MDN，使用90%的行人轨迹，以32个样本的时间窗口对差异化2D坐标进行处理，以预测用户下一时刻的位置与EC访问概率。
• 使用RMSprop优化器与均方误差损失函数，对512条轨迹的批量数据进行15个周期的训练，实现快速收敛与高精度预测，验证结果表明性能优异。
• 在8×8 km²区域、2 km半径MEC覆盖范围下构建仿真框架，初始化1000名用户，其移动性模型基于MDN拟合；通过马尔可夫过程模拟VNF中断，并实时决策迁移操作。

实验结果

研究问题

• RQ1 如何通过同时考虑VNF迁移成本与用户订阅档案同步成本，更准确地建模状态化VNF迁移中的成本-损失权衡？
• RQ2 与简化移动性模型相比，基于真实GPS轨迹训练的混合密度网络（MDN）在预测用户边缘云访问概率方面的准确性可提升多少？
• RQ3 在真实用户移动性条件下，由人工智能赋能的、上下文感知的VNF迁移策略是否能在成本-损失最小化方面优于传统的基于阈值的方案？
• RQ4 用户移动性的平稳性对MDN移动性建模性能有何影响？在长期轨迹分析中，该影响如何缓解？

主要发现

• 所提出的基于MDN的移动性模型表现出高预测精度，训练与验证损失在15个周期内迅速下降，表明模型具有良好的收敛性与泛化能力。
• MDN通过将长轨迹分割为更短、更平稳的区间，成功建模了复杂且非平稳的用户移动模式，显著提升了模型拟合性能。
• 仿真结果表明，所提出的基于人工智能的迁移方案在所有测试的Po与Pv阈值配置下，始终优于基准的基于阈值的方法。
• 即使基准方法经过最优调优，基于MDN的方法仍能实现更低的运营成本与潜在服务损失之和，证明其在成本-损失优化方面具有显著优势。
• 将真实世界GPS数据整合至MDN中，可准确预测EC访问概率，这对在动态、真实环境中做出最优迁移决策至关重要。