LSTM-Based VNF resource usage forecasting leveraging SFC resource attribute interdependencies

St-Onge, Cédric (2023). LSTM-Based VNF resource usage forecasting leveraging SFC resource attribute interdependencies. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

As of late, Network Function Virtualization (NFV) has emerged as a research topic garnering a lot of interest, thanks to its many purported benefits to Next-Generation Network (NGN) infrastructures such as 5G, 6G and IoT. Intense research is currently being conducted to design robust algorithms that can accurately predict resource usage of various entities in NFV infrastructures (NFVIs), such as Virtualized Network Functions (VNFs), Service Function Chains (SFCs), server nodes and server clusters, with the aim to scale or migrate those VNFs or SFCs properly. To date, however, few research teams have focused their efforts on finding useful dependencies and relationships that these entities might have with each other. For example, scaling a specific VNF might impact the CPU resource usage and network traffic of other VNFs in the same SFC. In another case, migrating a whole SFC from one server cluster to another might negatively impact the network traffic of some network slices dedicated to control or encryption functions of that SFC and other similar SFC types. To tackle the issue of identifying VNF dependencies, Deep Learning (DL) and, more particularly, Recurrent Neural Networks (RNNs) might prove extremely useful due to their proven ability to decipher deep, hidden relationships between multiple features in time series. Hence, the aim of this research project will be to find means of identifying VNF and SFC dependencies in NFVIs and cloud computing environments and to leverage VNF and SFC dependency models to enhance dynamic VNF resource usage forecasting methods in multi-VNF environments. To do so, our goal will be 1) to identify and classify different VNF dependencies, 2) build ETL (Extract, Transform, Load) mechanisms to adapt sequential VNF resource usage history from multiple features for DL, and finally, 3) design a VNF resource usage forecasting mechanism leveraging resource attribute interdependencies in an SFC.

Titre traduit

Prédiction d’utilisation de ressources VNF renforcée par l’interdépendance entre attributs de ressources d’une SFC

Résumé traduit

Depuis peu, la virtualisation des fonctions réseau (NFV) est devenue un sujet de recherche qui suscite beaucoup d’intérêt en raison des nombreux avantages qu’elle présente pour les infrastructures de réseaux de nouvelle génération (NGN), comme la 5G, la 6G et l’IoT. D’intenses recherches sont actuellement menées pour concevoir des algorithmes robustes capables de prédire avec précision l’utilisation des ressources de diverses entités dans les infrastructures NFV (NFVI), telles que les fonctions de réseau virtualisées (VNF), les chaînes de fonctions de service (SFC), les nœuds de serveur et les grappes de serveurs, dans le but de faire évoluer ou de migrer correctement ces VNF ou SFC. À ce jour, cependant, très peu d’équipes de recherche ont concentré leurs efforts sur la recherche de dépendances et de relations utiles que ces entités pourraient avoir entre elles. Par exemple, la mise à l’échelle d’une VNF spécifique peut avoir un impact sur l’utilisation des ressources CPU et le trafic réseau d’autres VNF dans le même SFC. Dans d’autres cas, la migration d’une SFC entière d’une grappe de serveurs à une autre peut avoir un impact négatif sur le trafic réseau de certaines tranches de réseau dédiées aux fonctions de contrôle ou de cryptage de cette SFC et d’autres types de SFC similaires. Pour résoudre le problème de l’identification des dépendances de VNF, l’apprentissage profond (DL) et, plus particulièrement, les réseaux neuronaux récurrents (RNN) pourraient s’avérer extrêmement utiles en raison de leur capacité avérée à déchiffrer les relations profondes et cachées entre de multiples caractéristiques dans les séries chronologiques. Par conséquent, l’objectif de ce projet de recherche sera de trouver des moyens d’identifier les dépendances VNF et SFC dans les NFVI et les environnements infonuagiques, et de tirer parti des modèles de dépendance VNF et SFC pour améliorer les méthodes de prévision dynamique de l’utilisation des ressources VNF dans les environnements multi-VNF. Pour ce faire, notre objectif sera 1) d’identifier et de classer les différentes dépendances de VNF, 2) de construire des mécanismes ETL (extraction, transformation, instanciation) pour adapter l’historique séquentiel de l’utilisation des ressources de VNF à partir de multiples caractéristiques pour DL, et enfin, 3) de concevoir un mécanisme de prédiction d’utilisation de ressources VNF en exploitant les interdépendances des attributs de ressources dans une SFC.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibiographiques (pages 123-129).
Mots-clés libres:	adaptation de ressources VNF, prédiction d’utilisation de ressources VNF, interdépendances VNF, LSTM, coefficients de corrélation, réseaux neuronal en graphe, filtrage de valeurs aberrantes multivariées
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kara, Nadjia
Programme:	Doctorat en génie > Génie
Date de dépôt:	09 mars 2023 15:28
Dernière modification:	09 mars 2023 15:28
URI:	https://espace.etsmtl.ca/id/eprint/3191

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt