• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제16권11호
• /
• pp.3584-3602
• /
• 2022

NFV realizes flexible and rapid software deployment and management of network functions in the cloud network, and provides network services in the form of chained virtual network functions (VNFs). However, using VNFs to provide quality guaranteed services is still a challenge because of the inherent difficulty in intelligently scaling VNFs to handle traffic fluctuations. Most existing works scale VNFs with fixed-capacity instances, that is they take instances of the same size and determine a suitable deployment location without considering the cloud network resource distribution. This paper proposes a traffic forecasted assisted proactive VNF scaling approach, and it adopts the instance capacity adaptive to the node resource. We first model the VNF scaling as integer quadratic programming and then propose a proactive adaptive VNF scaling (PAVS) approach. The approach employs an efficient traffic forecasting method based on LSTM to predict the upcoming traffic demands. With the obtained traffic demands, we design a resource-aware new VNF instance deployment algorithm to scale out under-provisioning VNFs and a redundant VNF instance management mechanism to scale in over-provisioning VNFs. Trace-driven simulation demonstrates that our proposed approach can respond to traffic fluctuation in advance and reduce the total cost significantly.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 추계학술발표대회
• /
• pp.102-105
• /
• 2017

최근 네트워크 서비스 관리의 복잡성을 줄이기 위해 새로운 네트워크 인프라가 등장하고 있다. NFV(Network Function Virtualization) 기술은 하드웨어 기반의 네트워크 장비에 가상화를 적용하여, 유연성 있는 네트워크 서비스를 제공한다. 네트워크 서비스는 Firewall, Parental Control (PC)과 같은 일련의 VNF (Virtual Network Function)로 구성된다. NFV 기술을 기존의 네트워크 환경과 통합시키는 경우 해결해야 할 난제가 존재한다. 기존 네트워크는 복잡성이 요구되며 많은 양의 트래픽을 다루어야 한다. 사용자가 요청한 네트워크 서비스의 높은 트래픽 로드로 인해 패킷 손실이 발생할 수 있다. 본 논문에서는 Zabbix 모니터링 시스템을 활용해 VNF 로드 기반의 Auto-scaling을 제안한다. 이를 통해 네트워크 서비스의 자원 효율성을 향상시키고 패킷 손실 비율을 줄일 수 있다.

• KNOM Review
• /
• 제23권2호
• /
• pp.1-10
• /
• 2020

5G 네트워크의 핵심 기술 중 하나인 네트워크 기능 가상화 (NFV, Network Function Virtualization)는 유연하고 민첩한 네트워크 구축 및 운용을 가능하게 만드는 장점이 있다. 하지만, 한편으로는 수 많은 가상 자원을 생성하기 때문에 네트워크 관리를 복잡하게 만드는 원인이 된다. 일반적으로, NFV 환경에서는 가상 네트워크 기능(VNF, Virtual Network Function)들로 구성된 서비스 펑션 체이닝 (SFC, Service Function Chaining)을 통해 일련의 네트워크 기능들을 트래픽에 적용한다. 따라서 서비스 요구사항을 만족시킬 수 있도록 동적으로 SFC에 알맞은 양의 컴퓨팅 자원 또는 인스턴스를 할당하는 것이 필요하다. 본 논문에서는 SFC에서 적절한 수의 VNF 인스턴스를 운용하기 위해 강화학습 알고리즘의 하나인 Deep Q-Networks (DQN)을 이용한 Auto-scaling 방법을 제안한다. 제안하는 방법은 SFC로 유입되는 트래픽의 증감에 따라 SFC를 구성하는 다계층 (Multi-tier) 구조에서 스케일링(Scaling)이 필요한 계층을 선택하고, 스케일링을 통해 효과적으로 VNF 인스턴스들 개수를 조절한다.

• KNOM Review
• /
• 제23권1호
• /
• pp.34-42
• /
• 2020

NFV (Network Function Virtualization) 환경에서는 소프트웨어로 구현된 가상 네트워크 기능 (VNF: Virtualized Network Function)을 범용 서버에 설치하는 것으로 네트워크 기능을 제공한다. 네트워크 관리자는 VNF를 네트워크 토폴로지 상 적절한 위치의 서버에 배치하고 상황에 따라 동적으로 관리함으로써, 다양한 네트워크 상황에 대해 신속하고 유연하게 대응할 수 있다. 하지만 여러 네트워크 조건 (서비스 비용 및 품질) 등을 고려하는 것은 매우 복잡하고 어려운 문제이며, 특히 결정된 배치를 실제 NFV 환경에 적용하는 데는 처리 시간이 소요되기 때문에, 최적의 VNF 배치를 위해서는 필요한 자원량을 예측하여 VNF 배치를 결정하는 것이 필요하다. 본 논문에서는 MEC (Multi-access Edge Computing) 토폴로지에서 서비스 요청을 무작위로 생성하여 ILP (Integer Linear Programming) 모델을 통해 시뮬레이션한 결과를 학습데이터로 사용하는 기계학습 모델을 도출한다. 도출된 예측 모델은 5분 이후의 미래 시점에 대해 ILP 솔루션 결과 대비 90% 이상의 정확도를 보였다.