Proactive autoscaling towards assertive elasticity of virtual network functions in service chains
| Autor: | Jardim, Sandino Barros |
|---|---|
| Přispěvatelé: | Canuto, Anne Magaly de Paula, Bedregal, Benjamin Rene Callejas, Bustos, Harold Ivan Angulo, Curado, Marília, Venâncio Neto, Augusto José |
| Jazyk: | portugalština |
| Rok vydání: | 2020 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFRN Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
| Popis: | A virtualização de funções de rede é uma tecnologia que propõe desacoplar funções de rede tradicionalmente alocadas sobre hardware especializado e disponibilizá-las como elementos de software com premissa de execução sobre servidores de propósito geral. Tal flexibilização permite a oferta de serviços de rede alocados sobre infraestruturas de nuvem e facilita o estabelecimento de políticas de rede a partir do encadeamento de diferentes funções pelo qual um determinado tráfego deva atravessar para seu cumprimento. A variação da demanda pelos serviços hospedados vai exigir da gestão de recursos o atributo de elasticidade para lidar com objetivos de desempenho, ajustando os recursos computacionais das funções para lidar com aumento de demanda, e custos de operação, evitando provisionamento além da necessidade. Tradicionalmente, a elasticidade é oferecida por abordagens reativas baseadas em limiares, mas apresentam a tendência de aumentarem exponencialmente seu tempo de resposta conforme os recursos se esgotam. Trabalhos recentes têm sugerido abordagens proativas, combinando métodos de aprendizagem de máquina que permitem antecipar as decisões e adequar o máximo possível os recursos à demanda. Tal adequação é crucial para o sucesso de uma solução de elasticidade proativa, viabilizando decisões assertivas de dimensionamento que respondam com agilidade e precisão às variações de demanda e que contribuam para o equilíbrio dos objetivos de custo e desempenho. Esta tese de doutorado apresenta o ARENA, um mecanismo de elasticidade proativa para auto dimensionamento de funções virtualizadas de rede encadeadas auxiliado por predição de demanda baseada em aprendizagem de máquina para maximização da assertividade das decisões de dimensionamento horizontal e vertical. The main idea of Network Function Virtualization is the decoupling of physic network equipment from the functions that run on then, which could then be implemented in software running on industrial standard physical servers. This flexibilization enables the deployment of network services provided over cloud-based infrastructures and the ability to enforces network policies through the chaining of different functions in which some traffic should traverse to accomplish it. The fluctuation of service demands will require from resource management the continuous elasticity of resources to meet cost and performance objectives, by allocating or releasing resources to avoid under/over-provisioning. Traditionally, elasticity is offered through reactive approaches based on threshold-based rules to perform elastic actions, although they tend to the scarcity of resources and increasing service response time. Recent work has suggested proactive approaches, through combining Machine Learning-based models which allows anticipating decisions and optimize the adjustment of resources to demand. Such optimization is crucial for a successful proactive elasticity solution, which enables assertive auto-scaling decisions to rapidly respond to demand fluctuation and contributes to the balance of cost-performance objectives. This doctoral thesis presents ARENA, a proactive autoscaling mechanism with Machine Learning-based demand prediction for maximization of assertive decisions in horizontal and vertical elasticity. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|