Machine Learning-based VNF Deployment

Abstract

NFV (Network Function Virtualization) 환경은 VNF (Virtualized Network Function)의 적절한 배포 및 확장을 통해 트래픽 상태의 동적 변화를 처리 할 수 있다. 그러나 비용과 서비스 품질 (QoS)을 고려하여 최적의 VNF 배치를 결정하고 적용하는 것은 복잡하고 어려운 작업이다. 특히 실제 NFV 환경에 배치 결정을 적용하는 데는 처리 시간이 걸리기 때문에 배치 결정이 적용될 시점의 상황을 예측할 필요성이 있다. 본 논문에서는 MEC (Multiaccess Edge Computing) 환경에서 무작위로 서비스 요청을 생성 한 다음 ILP (Integer Linear Programming) 솔루션에서 최적의 VNF 배포 및 SFC (Service Function Chaining) 결과를 얻고, 시뮬레이션 데이터를 사용하여 미리 정의 된 미래 지점에서 최적의 VNF 배포를 예측하는 기계 학습 모델을 학습시킨다. 예측 모델은 향후 5 분에 대해 ILP 솔루션 대비 90 % 이상의 정확도를 보여준다. 또한 서비스 요청에 대한 VNF 배포 결정을 위해 훈련된 모델을 테스트 베드에 적용하고, 모델을 통해 VNF 배치한 경우와 ILP를 통해 배치한 경우의 VNF 처리 시간을 End-to-end 지연으로 측정 및 비교하여 성능을 검증한다.

Network Function Virtualization (NFV) deals with dynamic changes in traffic with appropriate deployment and scaling of Virtualized Network Functions (VNFs). Determining and applying the optimal VNF deployment in consideration of the cost and Quality of Service (QoS) is a complicated and challenging task. In particular, it is necessary to predict the situation at a future point of time when the deployment decision is applied because a certain amount of processing time is required to apply the deployment decision to the actual NFV environment. In this thesis, we randomly generate service requests in a Multiaccess Edge Computing (MEC) environment, and then obtain the optimal VNF deployment and Service Function Chaining (SFC) result from an Integer Linear Programming (ILP) solution. We use the simulation data to train a machine learning model that predicts the optimal VNF deployment at a predefined future point of time. The prediction model shows an accuracy of over 90% compared to the optimal ILP solution for the five-minute future time point. In addition, we apply the trained model to the testbed for the VNF deployment decision against a specific set of service requests and verify its performance by comparing the VNF processing time with the ILP case.