基于图神经网络的时延敏感NFV应用用例中拓扑感知主动SLA管理框架
分布式、并行与集群计算
2022-12-02 v1 机器学习
网络与互联网体系结构
摘要
5G和6G部署的最新进展催生了一系列通过支持网络功能虚拟化（NFV）的灵活软件化通信网络范式交付的时延敏感型新应用。电信、智能电网、虚拟现实（VR）、工业4.0、自动驾驶车辆等不断演进的垂直领域由低时延和高可靠性的愿景驱动，而在服务提供商与终端用户之间高效弥合服务质量（QoS）约束方面仍存在巨大差距。在本工作中，我们旨在通过提出一种利用图神经网络（GNN）和深度强化学习（DRL）的主动SLA管理框架来解决时延敏感型服务的过度配置问题，以平衡效率与可靠性之间的权衡。总结我们的关键贡献：1）我们构建了一个基于图的多变量时空时间序列预测模型，在多输出场景下实现多时间步预测，在该用例上相较已有的SOTA基线模型性能提升74.62%；2）我们利用该用例的现实SLA定义，通过DRL实现用于扩缩容策略管理的动态SLA感知监督。
引用
@article{arxiv.2212.00714,
title = {A Graph Neural Networks based Framework for Topology-Aware Proactive SLA Management in a Latency Critical NFV Application Use-case},
author = {Nikita Jalodia and Mohit Taneja and Alan Davy},
journal= {arXiv preprint arXiv:2212.00714},
year = {2022}
}