[论文解读] Design and Analysis of Dynamic Auto Scaling Algorithm (DASA) for 5G Mobile Networks

Yi Ren, Tuan Phung-Duc+1 more|arXiv (Cornell University)|Apr 20, 2016

Software-Defined Networks and 5G参考文献 28被引用 5

一句话总结

本文提出了一种用于5G网络中虚拟化演进分组核心（vEPC）的动态自动扩展算法（DASA），将虚拟网络功能（VNF）扩展建模为具有传统设备容量和虚拟机（VM）设置时间的排队系统。DASA 在运行成本与延迟之间实现优化，在 λ=130 个作业/秒时将成本降低高达40%，同时满足1.17秒的响应时间目标。

ABSTRACT

Network Function Virtualization (NFV) enables mobile operators to virtualize their network entities as Virtualized Network Functions (VNFs), offering fine-grained on-demand network capabilities. VNFs can be dynamically scale-in/out to meet the performance requirements for future 5G networks. However, designing an auto-scaling algorithm with low operation cost and low latency while considering the capacity of legacy network equipment is a challenge. In this paper, we propose a VNF Dynamic Auto Scaling Algorithm (DASA) considering the tradeoff between performance and operation cost. We also develop an analytical model to quantify the tradeoff and validate the analysis through extensive simulations. The system is modeled as a queueing model while legacy network equipment is considered as a reserved block of servers. The VNF instances are powered on and off according to the number of job requests. The results show that the proposed DASA can significantly reduce operation cost given the latency upper-bound. Moreover, the models provide a quick way to evaluate the cost-performance tradeoff without wide deployment, which can save cost and time.

研究动机与目标

• 解决在传统设备容量和 VM 设置时间等现实约束下，vEPC 自动扩展中的成本-性能权衡问题。
• 构建一个分析模型，量化扩展决策对响应时间和运行成本的影响，而无需进行完整部署。
• 设计一种低复杂度算法，使运营商能够快速配置满足给定性能和成本目标的最优 VNF 实例数量。
• 为移动运营商提供一种系统化方法，在实际部署前预先评估成本与性能。

提出的方法

• 将 vEPC 系统建模为具有有限容量传统模块和动态 VNF 实例的排队系统。
• 在分析模型中将 VM 设置时间和传统设备容量作为关键系统约束条件。
• 提出一种递归算法，高效计算性能指标，降低计算复杂度。
• 使用结合运行成本和响应时间惩罚的代价函数，指导最优扩展决策。
• 通过在各种流量负载和系统参数下进行大量仿真，验证模型的有效性。
• 将模型应用于推导给定流量强度 λ 和延迟约束下的最优 VNF 实例数 k。

实验结果

研究问题

• RQ1 引入 VM 设置时间和传统设备容量后，对 vEPC 自动扩展的性能和成本有何影响？
• RQ2 在满足给定延迟要求的前提下，最小化运行成本的最优 VNF 实例数量是多少？
• RQ3 所提出的分析模型在不同服务时间分布下对系统行为的预测精度如何？
• RQ4 该模型是否可用于在无实际部署的情况下预先配置最优扩展策略？
• RQ5 当流量负载超过传统设备容量时，系统性能如何变化？

主要发现

• 所提出的 DASA 算法相比基线策略，将运行成本降低高达40%，同时在 λ=130 个作业/秒的流量负载下保持 1.17 秒的响应时间。
• 分析模型能准确预测各种服务时间分布（包括指数分布、确定性分布、正态分布、均匀分布、爱尔朗分布和伽马分布）下的系统性能。
• 在 λ=130 时，最优 VNF 实例数为 k=28，实现了成本与延迟之间的平衡，此时 Wq=1.17 秒。
• 当流量超过传统设备容量时，队列中的作业数（S）和平均等待时间（Wq）显著增加。
• 该模型可实现快速且低成本的成本-性能权衡评估，无需进行大规模实际部署。
• 最优 k 值对流量负载高度敏感：当 λ=170 时，最优 k 值增加以维持可接受的延迟，体现出良好的动态适应能力。