An ensemble online learning-based approach for VNF scaling in the Edge Computing

• Ano de defesa: 2023
• Autor(a) principal: Silva, Thiago Pereira da
• Orientador(a): Batista, Thais Vasconcelos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Computação; Autodimensionamento; Computação de borda; Edge Computing; Aprendizado de máquina online; Funções de redes virtualizadas; Computação autonômica
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/56544

Recentemente, foram propostas plataformas de computação de borda (do inglês Edge Computing) para gerenciar aplicações emergentes com alta carga computacional e baixos requisitos de tempo de resposta. De modo a proporcionar mais agilidade e flexibilidade na prestação de serviços e, em simultâneo, reduzir os custos de implantação para os provedores de infraestrutura, tecnologias como a Virtualização das Funções de Rede (NFV, do inglês Network Functions Virtualization) são frequentemente utilizadas em ambientes de produção na borda da rede. NFV promove o desacoplamento de hardware e funções de rede usando tecnologias de virtualização, permitindo que elas funcionem em máquinas virtuais ou contêineres como software. As funções de rede ou mesmo funções de camadas superiores são implementadas como entidades de software chamadas Funções de Rede Virtual (VNFs, do inglês Virtual Network Functions). A integração dos paradigmas de Computação de Borda e NFV, como proposto pelo ETSI MEC, permite a criação de um ecossistema para aplicações 5G. Tal integração permite a criação de cadeias de VNF, representando serviços ponta a ponta para os usuários finais e sua implantação em nós de borda. Uma cadeia de funções de serviço (SFC, do inglês Service Function Chaining) compreende um conjunto de VNFs encadeadas em uma determinada ordem, onde cada VNF pode ser executada em um nó de borda diferente. Os principais desafios neste ambiente dizem respeito ao provisionamento dinâmico e ao desprovisionamento de recursos distribuídos na borda para executar as VNFs e atender às exigências da aplicação, otimizando o custo para o fornecedor da infraestrutura. Este trabalho apresenta uma abordagem híbrida de dimensionamento automático para o dimensionamento dinâmico das VNFs no ambiente de computação de borda. Tal abordagem de autodimensionamento emprega uma técnica de aprendizagem de máquinas em conjunto on-line que consiste no agrupamento de diferentes modelos de aprendizagem de máquinas on-line que preveem a carga de trabalho futura das VNFs. A arquitetura da abordagem proposta segue a abstração do MAPE-K (do inglês Monitor-Analyze-Plan-Execute over a shared Knowledge ) para ajustar dinamicamente o número de recursos em resposta às mudanças de carga de trabalho. Esta abordagem é inovadora porque prevê proativamente a carga de trabalho para antecipar ações de dimensionamento e se comporta de forma reativa quando o modelo de predição não atende a uma qualidade desejada. Além disso, a solução proposta nesse trabalho não requer nenhum conhecimento prévio do comportamento dos dados, o que a torna adequado para uso em diferentes contextos. Esse trabalho também apresenta um algoritmo para dimensionar as instâncias de VNF, utilizando uma estratégia para definir quantos recursos devem ser alocados ou desalocados durante uma ação de dimensionamento. Finalmente, apresentamos uma avaliação do método de aprendizado por agrupamento e do algoritmo proposto, comparando o desempenho das predições e a quantidade de ações de dimensionamentos e violações do Acordo de Nível de Serviço (SLA, do inglês Service Level Agreement).