An Artificial Intelligence Powered Framework for Automatic Service
Function Chain Placement in Distributed Scenarios
Network Function Virtualisation. Service Function Chain.
Gerenciamento de rede. Rede distribuída. Aprendizado de máquina.
Aprendizado profundo. Aprendizado por reforço.
Software Defined Networks (SDN) e Network Function Virtualisation (NFV)
estão tornando as redes programáveis e, consequentemente, muito mais
flexíveis e ágeis. Para cumprir acordos de nível de serviço, obter maior
utilização de redes legadas, implantação de serviço mais rápida e reduzir
despesas, as operadoras de telecomunicações estão implantando Service
Function Chains (SFCs) cada vez mais complexas. Apesar dos benefícios das
SFCs, o aumento da heterogeneidade e do dinamismo da computação em nuvem
para a computação em borda apresenta desafios significativos de
posicionamento de SFC, não menos importante, adicionando ou removendo
funções de rede, mantendo a disponibilidade, qualidade de serviço e
minimizando custos.
Apesar das vantagens da virtualização de serviço, espera-se que o
desempenho e a disponibilidade da rede não sejam afetados pelo uso de SFCs.
No entanto, vários fatores que podem comprometer a disponibilidade da SFC
são adicionados em um cenário virtualizado, como falhas de software, erros
de configuração, ataques cibernéticos, entre outros. Para mitigar o impacto
desses fatores, mecanismos de redundância podem ser utilizados, ou seja,
adicionar Funções Virtuais de Redes (do inglês Virtual Network Functions
(VNFs)) redundantes nos servidores para manter o funcionamento da SFC em
caso de falhas. Por outro lado, os operadores de rede desejam, obviamente,
alocar as SFCs otimizando a utilização dos recursos com o intuito de
reduzir os Gastos Operacionais (do inglês Operational Expenditures (OPEX)).
No entanto, isto é um desafio, pois os mecanismos de redundância exigem
recursos computacionais adicionais.
Além disso, a alocação de uma SFC em cenários distribuídos pode melhorar
sua disponibilidade, uma vez que uma falha isolada não impactaria toda a
operação do SFC. No entanto, a alocação em cenários geograficamente
distribuídos aumenta a complexidade do gerenciamento, onde diferentes tipos
de hardware e atrasos adicionais podem comprometer o desempenho da SFC.
Portanto, estratégias inteligentes são necessárias para otimizar o
posicionamento das SFCs. Além disso, com o intuito de reduzir o OPEX, essas
estratégias devem ser executadas com o mínimo de iteração humana.
Esta tese apresenta o Sfc Placement framework focused on availability for
DistributEd scenaRios (SPIDER), um framework para posicionamento de SFC com
foco em cenários distribuídos e disponibilidade dessa SFC. O SPIDER foi
projetado para fazer o posicionamento de SFC em diferentes cenários
distribuídos, ou seja, cenários com diferentes características de hardware
e software. Para fazer isso, o SPIDER utiliza informações contextuais para
definir a estratégia de posicionamento do SFC. Além disso, técnicas de
aprendizado de máquina são usadas para prever o tráfego das SFCs alocadas
previamente e aprendizado de reforço para selecionar os servidores para o
posicionamento
da SFC. Porém, o SPIDER é flexível para usar outras abordagens de acordo
com as necessidades do gerente da rede. Além disso, com base na estratégia
de posicionamento definida pelos algoritmos de aprendizado de máquina, o
SPIDER também interage com as ferramentas de gerenciamento para fazer o
posicionamento do SFC de forma automática, ou seja, com o mínimo de
intervenção humana, facilitando o gerenciamento da rede.