基于机器学习的虚拟网络功能实例迁移策略
网络与互联网体系结构
2020-06-16 v1 机器学习
摘要
随着数据连接需求的增长，网络服务提供商面临着在降低资本与运营开支的同时提升网络性能并满足增长需求的任务。尽管网络功能虚拟化（NFV）已被认为是一种有前景的解决方案，仍需解决若干挑战以确保其可行性。在本文中，我们通过开发用于实例迁移的 VNF 神经网络（VNNIM）——一种针对 VNF 实例的迁移策略，来解决虚拟网络功能（VNF）迁移问题。通过粒子群优化对学习率超参数进行优化，进一步提升了 VNNIM 的性能。结果表明，VNNIM 在预测迁移后服务器方面非常有效，与优化模型相比，其二分类准确率达 99.07%，且延迟差异分布以零均值居中。然而，VNNIM 的最大优势在于其运行效率，这通过运行时间分析得以凸显。
引用
@article{arxiv.2006.08456,
title = {A Machine Learning-Based Migration Strategy for Virtual Network Function Instances},
author = {Dimitrios Michael Manias and Hassan Hawilo and Abdallah Shami},
journal= {arXiv preprint arXiv:2006.08456},
year = {2020}
}
备注
Accepted - Future Technologies Conference 2020