KNOM Review

한국통신학회 (The Korean Institute of Commucations and Information Sciences)
권호 표지
DOI QR코드

DOI QR Code

기계학습 기반의 가상 네트워크 기능 자원 수요 예측 방법

A Machine Learning-based Method for Virtual Network Function Resource Demand Prediction

  • Kim, Hee-Gon (Pohang University of Science and Technology, Department of Computer Science Engineering) ;
  • Lee, Do-Young (Pohang University of Science and Technology, Department of Computer Science Engineering) ;
  • Yoo, Jae-Hyung (Pohang University of Science and Technology, Graduate school of Information Technology) ;
  • Hong, James Won-Ki (Pohang University of Science and Technology, Department of Computer Science Engineering)
  • 투고 : 2018.12.01
  • 심사 : 2018.12.20
  • 발행 : 2018.12.31
⟨ 이전 논문 다음 논문 ⟩

초록

네트워크 가상화 (Network virtualization)는 물리 네트워크상에서 각 사용자 별로 독립된 가상의 네트워크 환경을 생성하는 기술을 지칭한다. 네트워크 가상화 기술은 물리 네트워크 자원을 공유하여 사용자 별로 네트워크를 구축하는 데 필요한 비용을 절감할 수 있으며, 네트워크 관리자가 요구사항에 따라 동적으로 네트워크를 관리할 수 있도록 돕는다. 하지만 동적으로 네트워크 관리를 수행할 수 있다는 장점에도 불구하고, 관리자가 여전히 직접 판단을 내리고 관리 기능을 실행하는 과정은 동일하다. 네트워크 관리 기능 실행 전까지 관리자에 의해 네트워크 상황을 파악하고 결정을 내리는 과정에는 많은 시간이 소요될 수 있기 때문에 네트워크 가상화로 얻을 수 있는 동적 네트워크 관리라는 장점을 최대화 하지 못하고 있다. 본 논문에서는 기계학습 (Machine Learning) 기술을 도입하여 사람의 도움 없이 네트워크가 스스로 학습하여 동적으로 네트워크 관리를 수행하는 방법을 제안한다. 제안하는 방법은 가상 네트워크 관리에서 핵심적이고 필수적인 문제인 자원관리 최적화 문제를 서비스 펑션 체인(Service Function Chaining) 문제로 정의하고, VNF의 자원 수요를 예측하여 적절한 자원을 동적으로 할당해 서비스 중단이 일어나는 것을 방지하면서 네트워크 운용비용을 절감하는 것을 목표로 한다.

Network virtualization refers to a technology creating independent virtual network environment on a physical network. Network virtualization technology can share the physical network resources to reduce the cost of establishing the network for each user and enables the network administrator to dynamically change the network configuration according to the purpose. Although the network management can be handled dynamically, the management is manual, and it does not maximize the profit of network virtualization. In this paper, we propose Machine-Learning technology to allow the network to learn by itself and manage its management dynamically. The proposed approach is to dynamically allocate appropriate resources by predicting resource demand of VNF in service function chaining, which is a core and essential problem in virtual network management. Our goal is to predict the resource demand of the VNF and dynamically allocate the appropriate resources to reduce the cost of network operation while preventing service interruption.

키워드

과제정보

연구 과제번호 : 인공지능 기반 가상 네트워크 관리기술 개발

연구 과제 주관 기관 : 정보통신기술진흥센터

참고문헌

  1. IRTF Network Function Virtualization Research Group, "Areas of Interest,", 2018, (https://irtf.org/nfvrg).
  2. Muhammad Wajahat, Anshul Gandhi, et al. "Using machine learning for black-box autoscaling", Green and Sustainable Computing Conference (IGSC0<2016 Seventh International), 2016 China Conference on. IEEE, 2016.
  3. Boutaba, R & Salahuddin, Mohammad & Limam, Noura & Ayoubi, Sara & Shahriar, Nashid & Estrada-Solano, Felipe & Caicedo Rendon, Oscar. (2018). A Comprehensive Survey on Machine Learning for Networking: Evolution, Applications and Research Opportunities. Journal of Internet Services and Applications. 9. 10.1186/s13174-018-0087-2.
  4. R. Mijumbi, S. Hasija, S. Davy, A. Davy, B. Jennings, and R. Boutaba, "A connectionist approach to dynamic resource management for virtualised network functions," in 2016 12th International Conference on Network and Service Management (CNSM), Oct 2016, pp. 1-9.
  5. R. Mijumbi, J.-L. Gorricho, J. Serrat, M. Claeysy, F. D. Turcky, S. Latr, "Design and evaluation of learning algorithms for dynamic resource management in virtual networks", NOMS 2014.
  6. R. Shi, J. Zhang, W. Chu, Q. Bao, X. Jin, C. Gong, Q. Zhu, C. Yu, S. Rosenberg, "MDP and Machine Learning-Based Cost-Optimization of Dynamic Resource Allocation for Network Function Virtualization", 2015 IEEE International Conference on Services Computing.
  7. Sepp Hochreiter, Jurgen Schmidhuber. "LONG SHORT-TERM MEMORY" NEURAL COMPUTATION 9(8) (1997): 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  8. Duyu Tang, Bing Qin, et al. "Effective LSTMs for Target-Dependent Sentiment Classification" arxiv, 2015 Association for Computational Linguistic(ACL), 2016
  9. A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin. Attention is all you need. In Neural Information Processing Systems (NIPS), 2017. 2, 3, 6.
  10. Wang, Yequan et al. "Attention-based LSTM for Aspect-level Sentiment Classification." EMNLP (2016).