[论文解读] Placement and Routing Optimization Problem for Service Function Chain: State of Art and Future Opportunities

Weihan Chen, Xia Yin+2 more|arXiv (Cornell University)|Oct 7, 2019

Software-Defined Networks and 5G参考文献 15被引用 7

一句话总结

本文全面综述了在网络功能虚拟化（NFV）环境下服务功能链（SFC）的放置与路由优化问题，分析了虚拟网络功能（VNF）放置与流量路由的独立优化与联合优化方法。文章回顾了关键算法，如启发式、近似和在线学习方法，并指出动态扩展与机器学习集成是未来提升网络性能与成本效率的关键研究方向。

ABSTRACT

Network Functions Virtualization (NFV) allows implantation of network functions to be independent of dedicated hardware devices. Any series of services can be represented by a service function chain which contains a set of virtualized network functions in a specified order. From the perspective of network performance optimization, the challenges of deploying service chain in network is twofold: 1) the location of placing virtualized network functions and resources allocation scheme; and 2) routing policy for traffic flow among different instances of network function. This article introduces service function chain related optimization problems, summarizes the optimization motivation and mainstream algorithm of virtualized network functions deployment and traffic routing. We hope it can help readers to learn about the current research progress and make further innovation in this field.

研究动机与目标

• 分析SFC中VNF放置与流量路由的双重挑战，以优化网络性能并降低运营成本。
• 综述现有独立与联合优化VNF放置与路由的解决方案，重点关注算法方法与性能权衡。
• 识别当前SFC配置方法的关键局限，尤其是其静态特性及对动态流量需求的适应性不足。
• 探索未来研究方向，包括弹性扩展与机器学习集成，以实现实时自适应与更好的可扩展性。
• 基于目标、公式化方法、算法类型与计算复杂度，提供优化方法的结构化比较。

提出的方法

• 将VNF放置问题建模为资源受限的优化问题，目标包括最小化部署成本或流量切换成本。
• 将路由问题建模为路径选择任务，目标如最小化延迟、链路利用率或财务成本，同时满足SFC顺序约束。
• 提出联合优化放置与路由，利用混合整数规划或近似技术平衡冲突目标（如低部署成本与低路由成本）。
• 评估启发式与近似算法，以在大规模网络中降低计算复杂度，同时保持可接受的解质量。
• 引入基于阈值监控（反应式）与使用在线学习（如FTRL）进行需求预测的动态自动扩展机制，实现主动资源调整。
• 探索深度学习与在线学习在预测SFC流量速率及指导VNF实例扩展决策中的应用。

实验结果

研究问题

• RQ1 如何联合优化VNF放置与流量路由，以在SFC中平衡部署成本与网络性能？
• RQ2 在SFC配置中，最小化部署成本与最小化路由成本之间存在何种权衡？
• RQ3 如何从目标、公式化、复杂度与性能角度对现有优化算法进行评估与比较？
• RQ4 当前静态SFC配置方法在应对动态实时流量变化方面存在哪些局限？
• RQ5 机器学习与预测模型如何提升SFC放置与路由决策的可扩展性与响应能力？

主要发现

• 联合优化VNF放置与路由对实现网络性能与成本效率的平衡至关重要，但其内在存在部署成本与路由成本之间的权衡。
• 启发式与近似算法广泛用于降低大规模网络中的计算复杂度，尽管可能以牺牲最优性为代价换取可扩展性。
• 基于阈值的自动扩展是反应式机制，可能因对流量变化响应延迟而导致性能下降。
• 使用FTRL等在线学习方法进行需求预测可实现主动扩展，提升成本效率并增强对流量波动的响应能力。
• 机器学习技术，尤其是深度学习，在通过实现自适应、可扩展且数据驱动的决策方面，显著提升了SFC优化的潜力。
• 尽管已有进展，但大多数现有解决方案仍缺乏实时自适应能力，凸显了在生产网络中实现动态弹性SFC配置的迫切需求。