VNF合并放置中的干扰感知静态放置算法

来源 :上海交通大学 | 被引量 : 0次 | 上传用户:zzqq1984
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来兴起的网络功能虚拟化(NFV)技术,将传统物理硬件软件化为虚拟网络功能(VNF),运行于x86通用服务器上的虚拟机(VM)或容器(Container)。NFV技术成功地摆脱传统物理硬件的专用性和安装不便,提供了极高的敏捷性和弹性,提高资源利用率的同时降低了资本支出(CAPEX)和运营成本(OPEX),为网络服务提供商(ISP)展现出了巨大的潜力。在NFV环境下,云租户的需求被抽象为服务功能链(SFC),SFC是服务所需的一系列特定依赖关系的VNF集合。服务启动前的初始化阶段称为VNF静态放置阶段,ISP将VNF安装在服务器上,成为VM或容器中可运行的VNF实例,该过程称为VNF的实例化。通常,数据中心数百台服务器,为了容纳数以千计的SFC所需的VNF实例,ISP必须将多个VNF合并放置在同台服务器以提供服务。对于如CISCO ESC的一系列云服务,每次VNF的实例化都需要支付一份对应的VNF凭证(license),放置阶段VNF实例化的总支出称为实例成本。在满足租户服务质量要求(Qo S)的前提下,对于需要相同VNF实例的SFC,ISP通过安排SFC共享同类实例,大幅节约实例成本。然而,近年来研究表明,合并放置的VNF之间会因为物理资源的竞争,导致严重的性能下降,该现象称为VNF共址干扰(VNF-CI)。VNF静态放置阶段的放置结果,不仅会影响已经实例化的VNF性能,还将对服务启动后的运行时阶段产生深远的影响。不幸的是,目前我们面临两个挑战:第一,关于VNF共址干扰的相关研究集中在运行时阶段,这些方法都基于VNF实时数据进行预测和计算,然而静态放置阶段没有实时数据,目前尚缺乏适用于静态放置阶段的VNF-CI的计算模型。没有VNF-CI计算模型的静态放置将趋于随机,ISP会因VNF实例达不到Qo S要求而被迫启动新实例,增加实例成本。不同VNF实例化价格差距最大可达数百倍,可能因被迫启动昂贵的新VNF实例致使ISP利润严重受损。第二,VNF静态放置算法皆为全局最优算法。VNF-CI导致的性能衰退比率与共址的所有VNF的包处理特性相关,仅计算共址组合的性能衰退比的计算复杂度就已被相关工作证明是NP-Hard,在现有全局最优算法纳入VNF-CI特性将导致无法接受的计算复杂度。我们不仅需要适用于VNF静态放置阶段的计算模型,还需要有效的放置算法。本文针对这两个挑战,我们首先提出一个数学模型,能够在静态放置阶段精确计算VNF-CI导致的性能衰退比率。基于这个数学模型,我们设计了一个名为VNF-CIAP的启发式静态放置算法。在满足Qo S要求的前提下,以最小实例成本为目标,迭代地放置SFC。实验表明,对于静态放置阶段VNF-CI性能衰退比率,我们模型的估计值与实验结果的误差在2.30%到3.17%之间,低于可忽略界限。通过进行广泛的模拟实验,与基于整数线性规划的全局最优算法相比,VNF-CIAP能够额外节约9.83%到14.61%的实例成本。
其他文献
随着公路通车里程的增长与汽车数量的增加,交通事故导致的伤亡与损失的数量也急剧上升。其中有很大比例是因驾驶员的疏忽造成汽车偏离车道。车道偏离警示系统(Lane Deflects Warning System)因会提前预测偏离并警告驾驶员,可大大降低此类事故的发生率而正在成为国内外研究和开发的重点。本文论述的题目是基于图像的车道偏离警示系统的设计与实现,本文的主要工作包括以下几方面:在车道偏离警示系统
在计算机图形学领域,对于动物的毛发以及人的头发的模拟仍然是一个非常前沿并且具有挑战性的工作。这主要是由于在模拟环境中往往需要对数十万根头发进行模拟,同时要保证各自的运动特性以及考虑头发和头发之间的交互碰撞。传统的交互毛发解决方案上往往通过运用简化的动力学表征或者降低整体的模拟自由度来达到保证模拟的实时性。在本篇论文当中,我们提出一种实时地、基于GPU通用计算的毛发模拟方法。该方法旨在高效地模拟毛发
随着科技领域的发展,人类对大规模数据处理的需求越来越高。无论是图象数据,文本数据,语音数据,还是其他类别的数据,计算机通常都是将数据向量化再进行处理。由于此类数据的海量性和高维度性,使得处理起来困难,计算代价高。因此诞生了很多算法用于解决这个问题。流形学习就是一种研究在流形假设下的机器学习问题的方法,它通过学习数据样本的空间结构信息实现对数据的降维处理。本文分别利用流形学习和张量表示改进传统的非负
人脸表情信息在人类日常交流沟通中扮演极为重要的角色,人们通过分析表情信息了解对方的情感与状态。随着现代信息技术的发展,机器学习、图像处理、人工智能等领域的研究得到了很大的突破,越来越多的软件应用和生活场景开始对人脸情感的自动识别产生了需求。目前的机器学习算法对人脸表情的初步判定已经有了很好的结果,但是仅仅简单地获取人脸喜怒哀乐的信息并不足够,更多的脸部肌肉细节和表情强弱程度正被需要。脸部动作编码系
在以大数据为背景的万物互联的时代,各种网络攻击也不断增多,这使得网络安全成为了重点研究方向。其中,入侵为网络安全的主要威胁,因此入侵检测系统成为了必不可少的工具。数据预处理包括数据归一化和特征选择,它是入侵检测的重要环节,可以影响到入侵检测的效率和性能。本文构建了一种基于特征选择的网络入侵检测系统,以基于非线性归一化方法的支持向量机(Support Vector Machine,SVM)为核心分类
随着无人驾驶等技术的快速发展,利用车载传感器收集城市环境数据,实现城市环境信息的精确提取成为研究热点。然而,车载传感器在数据获取时的自身移动和周围移动目标的干扰,增加了城市环境信息提取的难度。针对该问题,提出了基于双目视觉的移动目标检测算法。该算法利用深度学习Faster R-CNN技术和基于SLAM的VINS Fusion计算框架,整合了目标检测、同步定位与制图、图像匹配等技术,通过位姿解算过程
报纸
面对复杂的网络环境,网络安全问题日益严峻,网络攻击不仅会造成用户隐私泄露,同时会带来巨大的经济损失。面对大规模的网络数据,深度学习成为一种有效的检测网络攻击的方法。深度学习方法通过在大规模的数据上对模型进行训练,进而学习到正常数据和攻击数据的特征,可以更高效更准确地对网络攻击进行检测。本文对网络安全数据进行编码将其转化为二维灰度图的形式,通过卷积神经网络对数据进行分类,从而实现入侵检测。现有网络安
2008年,比特币的出现标志着区块链技术的诞生。区块链本质上是一种分布式账本,多方维护、去中心化、且不可篡改的特性,使得它在数字金融、供应链溯源、存证防伪数据服务等方面具有广阔的应用前景。然而,区块链在吞吐量和延迟方面表现出了糟糕的可扩展性,以比特币为例,它每秒最多只能处理7笔交易,且每笔交易需要数十分钟才能完成确认。可扩展性瓶颈严重阻碍了区块链技术的进一步发展,影响着相关应用的落地。针对区块链的