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

Résumé

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.

Date	3 févr. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Nadjia Kara (Directeur(-trice))