面向性能感知的虚拟网络功能放置的机器学习方法
信号处理
2020-01-23 v1 机器学习
网络与互联网体系结构
机器学习
摘要
随着数据连接需求的不断增长，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应对日益增长连接需求的任务。尽管网络功能虚拟化（NFV）已被视为一种解决方案，但仍须解决若干挑战以确保其可行性。在本文中，我们通过开发一个机器学习决策树模型来解决虚拟网络功能（VNF）放置问题，该模型从构成服务功能链（SFC）的各类 VNF 实例的有效放置中学习。该模型以网络中若干与性能相关的特征作为输入，并选择各 VNF 实例在网络服务器上的放置位置，目标是最小化相互依赖的 VNF 实例之间的时延。使用机器学习的益处在于摆脱对系统的复杂数学建模，转向对系统的数据驱动理解。我们以演进分组核心（EPC）为用例，在不同数据中心网络上评估我们的模型，并在互连组件间时延及 SFC 总时延方面将其与 BACON 算法进行比较。此外，进行了时间复杂度分析以展示该模型在 NFV 应用中的有效性。
引用
@article{arxiv.2001.07787,
title = {Machine Learning for Performance-Aware Virtual Network Function Placement},
author = {Dimitrios Michael Manias and Manar Jammal and Hassan Hawilo and Abdallah Shami and Parisa Heidari and Adel Larabi and Richard Brunner},
journal= {arXiv preprint arXiv:2001.07787},
year = {2020}
}
备注
6 pages, 6 figures, 1 table, 9 equations, 18 references, Conference