[论文解读] Scaling Migrations and Replications of Virtual Network Functions based on Network Traffic Forecasting

Francisco Carpio, Wolfgang Bziuk+1 more|arXiv (Cornell University)|May 11, 2021

Software-Defined Networks and 5G参考文献 46被引用 19

一句话总结

本文提出一种基于LSTM的交通预测模型，以主动引导ISP边缘网络中的虚拟网络功能（VNF）迁移与复制，降低运营开销。通过预测未来交通需求，该方法相比反应式或过度配置策略，将迁移次数减少高达45%，并减少对第三方云卸载的依赖，同时通过使用MILP和贪婪算法优化放置与复制决策，保持较低的服务延迟。

ABSTRACT

Migration and replication of virtual network functions (VNFs) are well-known mechanisms to face dynamic resource requests in Internet Service Provider (ISP) edge networks. They are not only used to reallocate resources in carrier networks, but in case of excessive traffic churns also to offloading VNFs to third party cloud providers. We propose to study how traffic forecasting can help to reduce the number of required migrations and replications when the traffic dynamically changes in the network. We analyze and compare three scenarios for the VNF migrations and replications based on: (i) the current observed traffic demands only, (ii) specific maximum traffic demand value observed in the past, or (iii) predictive traffic values. For the prediction of traffic demand values, we use an LSTM model which is proven to be one of the most accurate methods in time series forecasting problems. Based the traffic prediction model, we then use a Mixed-Integer Linear Programming (MILP) model as well as a greedy algorithm to solve this optimization problem that considers migrations and replications of VNFs. The results show that LSTM-based traffic prediction can reduce the number of migrations up to 45\% when there is enough available resources to allocate replicas, while less cloud-based offloading is required compared to overprovisioning.

研究动机与目标

• 通过利用预测性交通预测，减少动态ISP边缘网络中VNF的迁移与复制次数。
• 最小化由反应式资源重新分配或云卸载引起的运营成本与服务中断。
• 评估交通预测对资源利用率、服务延迟和云使用的影响，与反应式和过度配置策略进行对比。
• 设计并对比离线（MILP）与在线（贪婪）优化模型，用于考虑迁移与复制成本的VNF放置。
• 评估在不同交通模式下，复制开销、迁移惩罚与云使用之间的权衡。

提出的方法

• 利用长短期记忆（LSTM）网络，基于历史时间序列数据预测未来的网络交通需求。
• 构建一个离线混合整数线性规划（MILP）模型，在预测交通条件下联合优化VNF的放置、迁移与复制。
• 设计一种贪婪的在线算法，基于预测交通实现VNF迁移与复制的实时决策。
• 通过服务中断惩罚建模迁移成本，通过虚拟机开销与同步流量建模复制成本。
• 比较三种场景：(i) 基于当前交通的反应式放置，(ii) 使用历史最大交通的过度配置，(iii) 使用LSTM预测交通的主动放置。
• 在不同服务器容量与交通模式下，于网络拓扑（N7与N45）中评估性能。

实验结果

研究问题

• RQ1 在ISP边缘网络中，基于LSTM的交通预测是否能相比反应式或过度配置策略，减少VNF的迁移与复制次数？
• RQ2 预测性交通预测如何影响第三方云资源在VNF卸载中的使用？
• RQ3 在动态VNF放置中，迁移引发的服务中断与复制引发的资源开销之间存在何种权衡？
• RQ4 与基于当前状态或过度配置的方法相比，交通预测在多大程度上改善了服务延迟与网络资源利用率？
• RQ5 LSTM模型的计算与训练成本如何影响大规模或高度动态网络中预测性VNF放置的可扩展性？

主要发现

• 当有足够的复制资源时，基于LSTM的交通预测相比基于当前交通的反应式放置，可将VNF迁移次数减少高达45%。
• 与过度配置相比，预测性方法显著降低了对第三方云提供商的依赖，尤其在分配副本时，云使用量几乎减半。
• 在预测交通场景下，平均服务延迟低于反应式（obsv）情况，这是由于迁移次数更少；在低至中等负载条件下，其表现优于过度配置。
• 过度配置导致更高的云使用量，且迁移次数与基于预测的方法相当或更多，尤其在轻负载网络中，这是由于其无法适应交通波动。
• 贪婪在线算法能有效近似MILP解，性能可接受，尽管精确模型计算复杂，仍可实现实时部署。
• LSTM训练需要显著的计算资源与时间，这对大规模或高度动态网络中的可扩展性构成挑战。