[论文解读] Multi-Timescale Online Optimization of Network Function Virtualization for Service Chaining

Xiaojing Chen, Wei Ni+5 more|arXiv (Cornell University)|Apr 19, 2018

Software-Defined Networks and 5G参考文献 21被引用 3

一句话总结

该论文提出了一种用于网络功能虚拟化（NFV）服务链的多时间尺度、完全去中心化的在线优化框架，采用随机对偶梯度法解耦虚拟机（VM）决策，在最小化时间平均成本的同时稳定服务队列。其成本-队列权衡达到 $[\theta, \theta^{-1}]$，并通过一种学习与自适应策略优化至 $[\theta, \theta^{-1} \text{log}^2(1/\theta)]$，相比基准方案将NFV成本降低30%，延迟减少83%。

ABSTRACT

Network Function Virtualization (NFV) can cost-efficiently provide network services by running different virtual network functions (VNFs) at different virtual machines (VMs) in a correct order. This can result in strong couplings between the decisions of the VMs on the placement and operations of VNFs. This paper presents a new fully decentralized online approach for optimal placement and operations of VNFs. Building on a new stochastic dual gradient method, our approach decouples the real-time decisions of VMs, asymptotically minimizes the time-average cost of NFV, and stabilizes the backlogs of network services with a cost-backlog tradeoff of $[ε,1/ε]$, for any $ε> 0$. Our approach can be relaxed into multiple timescales to have VNFs (re)placed at a larger timescale and hence alleviate service interruptions. While proved to preserve the asymptotic optimality, the larger timescale can slow down the optimal placement of VNFs. A learn-and-adapt strategy is further designed to speed the placement up with an improved tradeoff $[ε,\log^2(ε)/{\sqrtε}]$. Numerical results show that the proposed method is able to reduce the time-average cost of NFV by 30\% and reduce the queue length (or delay) by 83\%, as compared to existing benchmarks.

研究动机与目标

• 解决NFV服务链中虚拟网络功能（VNFs）必须按特定顺序跨VM放置时的耦合实时决策挑战。
• 通过在随机服务到达和动态定价下实现完全去中心化、在线决策，克服集中式或启发式方法的局限性。
• 在大规模、动态的NFV环境中，稳定网络服务队列的同时最小化时间平均运行成本。
• 引入多时间尺度设计，减少因频繁VNF重新放置导致的服务中断，平衡最优性与稳定性。
• 开发一种学习与自适应策略，加速收敛并改善成本-队列权衡，同时不牺牲渐近最优性。

提出的方法

• 提出一种随机对偶梯度法，通过使用本地队列队列长度作为对偶变量，实现跨VM决策的解耦。
• 采用李雅普诺夫优化框架，联合最小化时间平均成本并稳定服务队列，实现 $[\theta, \theta^{-1}]$ 的成本-队列权衡。
• 引入多时间尺度架构，其中VNF放置决策的更新频率低于服务处理，从而减少干扰。
• 设计一种学习与自适应策略，根据历史数据动态调整优化参数，以提升收敛速度。
• 采用原始-对偶更新规则，每个VM基于自身队列长度和服务需求本地计算梯度，实现完全分布式运行。
• 通过李雅普诺夫漂移和扰动分析证明渐近最优性和稳定性，对近似带来的最优性损失提供严格界。

实验结果

研究问题

• RQ1 在随机服务到达和动态定价下，如何以去中心化、在线方式优化VNF放置和服务处理？
• RQ2 在具有耦合VM决策的完全分布式NFV系统中，可实现的成本-队列权衡是什么？
• RQ3 多时间尺度设计是否能减少因频繁VNF重新配置导致的服务中断，同时保持渐近最优性？
• RQ4 学习与自适应机制如何提升在线NFV优化的收敛速度和权衡性能？
• RQ5 近似误差对所提去中心化框架中最优性差距的影响是什么？

主要发现

• 所提方法实现了 $[\theta, \theta^{-1}]$ 的成本-队列权衡，证明了在最小化时间平均成本的同时稳定服务队列的渐近最优性。
• 学习与自适应策略将权衡优化至 $[\theta, \theta^{-1} \text{log}^2(1/\theta)]$，显著提升收敛速度且不损失最优性。
• 数值结果表明，在动态流量和定价下，与现有基准相比，时间平均NFV成本降低30%。
• 与基线方法相比，该方法将队列长度（延迟的代理指标）减少了83%，在拥塞控制方面表现出色。
• 多时间尺度设计有效减少了因VNF重新配置引起的服务中断，支持在生产网络中的实际部署。
• 理论分析证实，由于近似带来的最优性损失是有界的，并随时间减小，验证了该方法的鲁棒性。