Um framework inteligente para escalonamento de VNFs em data center

Abstract

A Network Function Virtualization (NFV) visa desacoplar a funcionalidade de rede de dispositivos físicos dedicados, permitindo assim que a máquinas virtuais hospede serviços tradicionalmente realizados por roteadores, firewalls, ou balanceamento de carga. A hospedagem desses serviços em máquinas virtuais fornecerá novas oportunidades de negócios aos data center. Atualmente, os recursos físicos disponíveis são limitados, o que torna o escalonamento de recursos eficiente, uma questão desafiadora para a adoção bem-sucedida da NFV. Destacamos nesta tese três problemas relacionados à NFV aplicada em data center: (i) escalonamento de cadeias de serviços; (ii) questões de confiabilidade e (iii) otimização da utilização dos recursos disponíveis. O foco desses problemas está relacionado à necessidade de evitar picos inesperados de tempo de inatividade dos serviços de rede, levando a perdas financeiras e rescisão de contrato Service Level Agreement (SLA). Além disso, outros fatores, como o aumento da temperatura gerada pela alocação ineficiente de recursos, podem degradar ainda mais o desempenho dos serviços de rede em função de falhas provenientes de altas temperaturas. Assim, torna-se essencial investigar técnicas de tolerância a falhas e requisitos de alto desempenho para o NFV aplicado ao data center. Portanto, alcançar a alocação eficiente de recursos é crucial. Essa tese propõe um framework inteligente para a escalonamento de VNFs. Em particular, a solução de escalonamento autônomo proposta é baseada no modelo de Memória de Longo Prazo (LSTM), com base nas regras de afinidade em data center. Seguidamente, a ferramenta de diagnóstico proposta incorpora uma análise holística do desempenho, falhas e análise exploratória de dados (EDA), após o escalonamento de VNFs. Além de integrar-se com ferramenta de medições de importância dos dispositivos no data center. Os resultados experimentais, examinados com dados de referência, mostram que a técnica proposta de escalonamento com tolerância a falhas, baseada em LSTM e técnicas de afinidade, alcança resultados promissores. O framework de escalonamento inteligente é capaz de automatizar o escalonamento dos recursos com e sem intervenção humano. Assim, a abordagem proposta é um mecanismo auxiliar para alcançar a alocação eficiente de recursos e aumentar o desempenho e disponibilidade do data center.