[论文解读] Dynamic Cloud Network Control under Reconfiguration Delay and Cost

Chang‐Heng Wang, Jaime Llorca+2 more|arXiv (Cornell University)|Feb 19, 2018

Software-Defined Networks and 5G参考文献 13被引用 4

一句话总结

本文提出自适应动态云网络控制（ADCNC）策略，一种基于队列长度的分布式算法，通过动态调整重配置频率，在具有不可忽略的重配置延迟和成本的多跳云网络中实现吞吐量最优和近似最小成本。主要贡献在于实现了 [O(1/V), O(V)] 的成本-延迟权衡，即使在缺乏到达统计特性或开销值先验知识的情况下，也能保证最优性能，克服重配置开销的影响。

ABSTRACT

Network virtualization and programmability allow operators to deploy a wide range of services over a common physical infrastructure and elastically allocate cloud and network resources according to changing requirements. While the elastic reconfiguration of virtual resources enables dynamically scaling capacity in order to support service demands with minimal operational cost, reconfiguration operations make resources unavailable during a given time period and may incur additional cost. In this paper, we address the dynamic cloud network control problem under non-negligible reconfiguration delay and cost. We show that while the capacity region remains unchanged regardless of the reconfiguration delay/cost values, a reconfiguration-agnostic policy may fail to guarantee throughput-optimality and minimum cost under nonzero reconfiguration delay/cost. We then present an adaptive dynamic cloud network control policy that allows network nodes to make local flow scheduling and resource allocation decisions while controlling the frequency of reconfiguration in order to support any input rate in the capacity region and achieve arbitrarily close to minimum cost for any finite reconfiguration delay/cost values.

研究动机与目标

• 为解决现有策略忽略真实重配置延迟和成本背景下动态云网络控制的空白。
• 证明当重配置延迟/成本非零时，不考虑重配置的策略会损失吞吐量和成本最优性。
• 设计一种分布式、自适应控制策略，确保在任意有限重配置延迟和成本下实现吞吐量最优和近似最小成本。
• 将现有重配置感知的调度与成本最小化策略统一为一个框架，同时处理延迟与成本的权衡。
• 通过消除对全局统计信息或精确重配置开销知识的依赖，实现动态云网络的实际部署。

提出的方法

• ADCNC策略利用本地队列长度信息触发重配置，避免依赖全局系统知识。
• 实施两级重配置准则：首先基于加权队列差值的主阈值；其次在适用时进行低开销操作的次级检查。
• 通过将重配置延迟视为最坏情况延迟模型，确保对任意有限延迟的稳定性，从而实现吞吐量最优。
• 通过调节控制参数V，实现[O(1/V), O(V)]的成本-延迟权衡，平衡成本与延迟性能。
• 对于不等重配置开销，提出启发式变体ADCNC-2stage，将资源与业务重配置决策解耦，以提升成本-延迟性能。
• 该算法为分布式：每个节点基于自身队列状态和本地计算独立做出决策，无需协调。

实验结果

研究问题

• RQ1 当重配置延迟和成本非零时，不考虑重配置的动态控制策略能否维持吞吐量最优性和成本最优性？
• RQ2 引入重配置延迟和成本后，容量区域和最小时间平均成本是否保持不变？
• RQ3 能否设计一种分布式策略，在缺乏到达统计特性或重配置开销知识的前提下，实现吞吐量最优和近似最小成本？
• RQ4 如何利用不等重配置成本和延迟以提升云网络控制中的成本-延迟性能？
• RQ5 能否设计一种统一控制策略，同时推广重配置感知调度与成本最小化流调度？

主要发现

• 即使存在不可忽略的重配置延迟和成本，容量区域和可实现的最小时间平均成本仍保持不变。
• 在零延迟/成本环境下最优的不考虑重配置的策略，在存在重配置开销时无法保证吞吐量最优性和成本最优性。
• 所提出的ADCNC策略在任意有限重配置延迟和成本下，均实现吞吐量最优和[O(1/V), O(V)]的成本-延迟权衡。
• 数值结果表明，ADCNC在不同重配置延迟下均保持稳定性能，且成本接近最优。
• 当业务重配置开销低于资源重配置时，ADCNC-2stage变体在业务重配置延迟降低时显著提升成本-延迟性能。
• 该策略无需知晓到达统计特性或精确的重配置开销值，仅依赖本地队列长度反馈。