利用机器学习自动伸缩网络资源以改善 QoS 并降低成本
网络与互联网体系结构
2019-03-15 v2
摘要
网络功能虚拟化（如虚拟路由器、虚拟防火墙等）使网络所有者能够高效应对网络服务日益增长的动态性。虚拟网络功能（VNFs）易于部署、更新、监控和管理。类似于云中通用计算资源，VNF 实例的数量可根据负载轻松伸缩。因此，自动伸缩（无需人工干预的资源伸缩）一直受到关注。先前关于自动伸缩的研究使用测量的网络流量负载来动态响应流量变化。在本研究中，我们提出一种基于主动机器学习（ML）的方法，以执行 VNFs 的自动伸缩来响应动态流量变化。我们提出的 ML 分类器从过去的 VNF 伸缩决策以及网络流量负载的季节性/空间性行为中学习，以提前生成伸缩决策。与现有的基于 ML 的自动伸缩方法相比，我们的研究探讨了底层虚拟化技术的特性（例如启动时间）如何影响服务质量（QoS）和成本节约。我们考虑了四种不同的虚拟化技术：基于虚拟机监控器虚拟化的 Xen 和 KVM，以及基于容器虚拟化的 Docker 和 LXC。我们的结果显示了使用从私有 ISP 收集的真实数据的 ML 分类器的良好准确性。我们报告了学习过程（学习曲线分析）、特征排序（特征选择、主成分分析（PCA）等）、不同特征集的影响、训练时间和测试时间的深入分析。我们的结果显示了所提方法如何改善网络所有者的 QoS 并降低运营成本。我们还展示了一个实际用例示例（具有 VNFs 和骨干网的软件定义广域网（SD-WAN）），表明我们的 ML 方法为网络服务承租者节省了显著成本。
引用
@article{arxiv.1808.02975,
title = {Auto-Scaling Network Resources using Machine Learning to Improve QoS and Reduce Cost},
author = {Sabidur Rahman and Tanjila Ahmed and Minh Huynh and Massimo Tornatore and Biswanath Mukherjee},
journal= {arXiv preprint arXiv:1808.02975},
year = {2019}
}