Please use this identifier to cite or link to this item:
Author: Πεντέλας, Άγγελος
Title: Orchestrating service function chains over resource-constrained network function virtualization (NFV) infrastructures
Date Issued: 2023
Department: Πανεπιστήμιο Μακεδονίας. Τμήμα Εφαρμοσμένης Πληροφορικής (ΕΠ)
Supervisor: Παπαδημητρίου, Παναγιώτης
Abstract: The rapid growth of services on the Internet calls for advanced ways to control and manage network functions, such as firewalls, proxies, and load balancers. Traditional methods that rely heavily on hardware are struggling to handle the growing complexity and variety of these services. Network Function Virtualization (NFV) has shown great potential in tackling these issues by making networks more adaptable, and thereby more efficient and cost-effective. Nevertheless, NFV presents multifaceted challenges that primarily stem from the dynamic and flexible nature of virtualized network functions (VNFs). As opposed to traditional network architectures, where network functions are tied to specific hardware, NFV decouples these functions, allowing them to be instantiated, scaled, and migrated on-demand across distributed virtual environments. This decoupling necessitates advanced orchestration mechanisms to ensure efficient allocation, scaling, and termination of VNFs while maintaining service level agreements and optimal resource utilization. Alongside these, SFC embedding (SFCE) emerges as a pivotal problem within the NFV ecosystem. SFCE involves the correct and efficient placement of a set of inter-connected VNFs within a physical network (e.g., one or multiple datacenters). The importance of SFCE is underscored by its impact on network performance, service delivery efficiency, and the overall quality of service. An inefficiently or incorrectly embedded SFC can result in sub-optimal network performance, increased latency, and even service disruptions. The main goal of the thesis is to address key challenges in terms of resource orchestration over resource-constrained virtualized infrastructure, by investigating, developing, and validating new methods and algorithmic mechanisms. Concretely, the first goal is to develop new SFCE algorithms that take into account multiple resource dimensions. This will help use network resources more efficiently by minimizing resource wastage. The second objective focuses on the development of SFCE methods for efficient crossservice communication. This approach is anticipated to augment the interconnected functionality of diverse, yet collocated, SFCs, thus amplifying network capabilities while saving bandwidth. The third goal is to explore appropriate decentralized Reinforcement Learning (RL) schemes for SFCE in the context of NFV MANO. The focus here is to investigate multi-agent methods that have (as a system) a complete view of the true network state, making the overall decision-making process more reliable and grounded to reality. The final goal is to investigate SFC graph transformation techniques to improve resource efficiency in cases where available resources are highly fragmented.
Η Εικονικοποίηση Δικτυακών Λειτουργιών (NFV) έχει πρόσφατα αναδειχθεί ως ένα σημαντικό πρότυπο υπολογιστικής νέφους για την αντιμετώπιση των περιορισμών κλιμάκωσης των middleboxes, όπως τα τείχη προστασίας και οι εξισορροπητές φορτίου. Με την αποσύνδεσή τους από το υποκείμενο υλικό τους και την προώθηση της υλοποίησής τους με τη μορφή εικονικών δικτυακών λειτουργιών (VNFs), τα middleboxes μπορούν πλέον να αναπτυχθούν σε διακομιστές γενικού σκοπού με τη μορφή εικονικών μηχανών ή container, και να κλιμακώνονται κατ' απαίτηση ανταποκρινόμενοι στις εξελισσόμενες απαιτήσεις πόρων. Επιπλέον, πολλαπλά VNFs μπορούν να οργανωθούν σε μια διατεταγμένη ακολουθία για να σχηματίσουν μια αλυσίδα δικτυακών λειτουργιών (SFC). Ενώ το NFV καθιστά τις αναπτύξεις των middleboxes πιο ευέλικτες και οικονομικά αποδοτικές, εισάγει επίσης αρκετές προκλήσεις, κυρίως όσον αφορά τη διαχείριση και την ενορχήστρωση των VNFs και SFCs. Μια ιδιαίτερα σημαντική πρόκληση είναι το πρόβλημα της τοποθέτησης των SFCs (SFCE), το οποίο αφορά τη βέλτιστη αντιστοίχιση των VNFs και των εικονικών συνδέσεων στα αντίστοιχα φυσικά τους στοιχεία, δηλαδή σε διακομιστές και συνδέσεις ενός φυσικού υποκείμενου δικτύου. Η βελτιστοποίηση του SFCE είναι NP-hard, και στη βιβλιογραφία προτείνονται τόσο ακριβείς αλλά και προσεγγιστικές μέθοδοι. Ωστόσο, καθώς το τοπίο του NFV εξελίσσεται, ανακύπτει μια έντονη τάση προς τοπικά δίκτυα που χαρακτηρίζονται από περιορισμένους πόρους, όπως τα δίκτυα παρυφών (edge). Υπό αυτό το πρίσμα, η συνάφεια και το πεδίο εφαρμογής των υφιστάμενων SFCE μεθόδων θα πρέπει να επανεξεταστούν. Eντοπίζουμε τέσσερις κρίσιμους περιορισμούς των υφιστάμενων μεθόδων SFCE σε δίκτυα NFV με περιορισμένους πόρους. Ο πρώτος προέρχεται από τη βελτιστοποίηση του SFCE σε μία μόνο διάσταση πόρων, δηλαδή, την CPU. Ενώ στα κεντρικά κέντρα δεδομένων (core datacenters) η CPU είναι πράγματι ο σπανιότερος πόρος, αυτό μπορεί να μην ισχύει στα δίκτυα περιορισμένων πόρων, δεδομένης της μεγάλης ευελιξίας των απαιτήσεων πόρων, σε συνδυασμό με τη δυνητικά χαμηλότερη χωρητικότητα των υπόλοιπων τύπων πόρων, π.χ., μνήμη, αποθηκευτικός χώρος, κ.λπ. Ένας άλλος περιορισμός του SFCE οφείλεται στην έλλειψη χειρισμού επικείμενων επικοινωνιών μεταξύ διαφορετικών SFCs. Τέτοιες επικοινωνίες εισάγουν πρόσθετους περιορισμούς στο τυπικό SFCE και απαιτούν σημαντικές προσαρμογές του. Ένας τρίτος περιορισμός προκύπτει από την κεντρικοποιημένη εφαρμογή ενισχυτικής μάθησης (RL) για το πρόβλημα του SFCE. Εδώ συνήθως γίνονται ιδιαίτερα αισιόδοξες υποθέσεις όσον αφορά την παρατηρησιμότητα του υποκείμενου δικτύου, αμφισβητώντας την πρακτικότητά τους σε πραγματικές εφαρμογές. Για το σκοπό αυτό, εντοπίζουμε την ανάγκη για τη διερεύνηση καταλληλότερων σχημάτων RL στο πλαίσιο του SFCE και των ενορχηστρωτών NFV γενικότερα. Τέλος, δεν έχει δοθεί πολύ φως στις μεθόδους προ-επεξεργασίας SFC. Ως εκ τούτου, τα SFCs ως επί το πλείστον εκλαμβάνονται ως αμετάβλητες οντότητες. Έτσι, οι SFCE solvers μπορεί να δυσκολεύονται να βρουν λύσεις που ικανοποιούν το κριτήριο βελτιστοποίησης όταν το φυσικό δίκτυο βρίσκεται σε μη ευνοϊκές καταστάσεις. Αυτό εγείρει την ανάγκη για αλγορίθμους προ-επεξεργασίας SFCs που μπορούν να βελτιστοποιήσουν τη δομή τους σύμφωνα με τις κυμαινόμενες συνθήκες του δικτύου. Η παρούσα διατριβή αποσκοπεί στη διερεύνηση των προαναφερθέντων προκλήσεων. Συγκεκριμένα, (i) διερευνούμε το SFCE σε πολλαπλές διαστάσεις πόρων ως μέσο ελαχιστοποίησης της σπατάλης πόρων σε NFV με περιορισμένους πόρους, προτείνοντας προσεγγιστικούς αλλά και ακριβείς αλγορίθμους για τον χειρισμό των επιπλοκών αυτού του προβλήματος. Στη συνέχεια, (ii) μελετάμε το SFCE μέσα από το πρίσμα της επικοινωνίας μεταξύ διαφορετικών SFCs, η οποία είναι μια σχετικά νέα έννοια στον τομέα του NFV που υποστηρίζει τις αλληλεπιδράσεις μεταξύ υπηρεσιών, ενισχύοντας έτσι τις δυνατότητες του δικτύου. Επιπλέον, (iii) εξετάζουμε σχήματα RL πολλαπλών πρακτόρων στο πλαίσιο του SFCE, δίνοντας ιδιαίτερη προσοχή στις συνοπτικές επικοινωνίες μεταξύ των πρακτόρων και ερμηνεύοντας την ικανότητα μάθησης του σχήματος σε διαφορετικές τοπολογίες δικτύου. Τέλος, (iv) εμβαθύνουμε στους μετασχηματισμούς γράφων SFC προκειμένου να προσαρμόσουμε το αίτημα SFC σύμφωνα με τις συνθήκες πόρων του υποκείμενου δικτύου, επιτρέποντας έτσι στους SFCE solvers να βρίσκουν λύσεις υψηλής ποιότητας ακόμη και υπό συνθήκες περιορισμένων πόρων ή/και υψηλού κατακερματισμού πόρων.
Keywords: Edge computing
Resource Allocation
Mathematical Optimization
Deep Reinforcement Learning
Heuristic Optimization
Information: Διατριβή (Διδακτορική)--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2023.
Rights: Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Appears in Collections:Τμήμα Εφαρμοσμένης Πληροφορικής (Δ)

Files in This Item:
File Description SizeFormat 
PentelasAngelosPhD2023.pdfΚείμενο διατριβής3.38 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons