Uma Abordagem Heurística para o Posicionamento e Encadeamento de Funções Virtuais de Rede em Ambientes Online
Resumo
A Virtualização de Funções de Rede emerge com intuito de reduzir custos operacionais e prover flexibilidade no atendimento dos novos serviços de rede. Um dos principais desafios em tais ambientes é posicionar e encadear com eficiência as funções virtuais de rede sobre máquinas virtuais alocadas em servidores da rede física. Por se tratar de um ambiente online, as abordagens utilizadas devem gerar uma tomada de decisão rápida sobre o mapeamento, ou não, de uma requisição. Neste contexto, uma abordagem baseada nas metaheurísticas Greedy Randomized Adaptive Search Procedure e Variable Neighborhood Search foi proposta, e comparada a um método exato. Experimentos computacionais mostram que o método exato, apesar de gerar maiores lucros, possui um tempo de execução elevado. No entanto, a abordagem heurística apresentou um tempo de execução até 810% menor, reduziu o atraso fim a fim em até 70%, mas ao custo de uma queda no compartilhamento de servidores de até 25%, e no lucro de até 11%.
Referências
Bari, M. F., Chowdhury, S. R., and Boutaba, R. (2019). Esso: An energy smart service function chain orchestrator. IEEE Transactions on Network and Service Management, 16(4):1345–1359.
Cohen, R., Lewin-Eytan, L., Naor, J. S., and Raz, D. (2015). Near optimal placement of virtual network functions. In 2015 IEEE Conference on Computer Communications (INFOCOM), pages 1346–1354.
Feo, T. A. and Resende, M. G. (1995). Greedy randomized adaptive search procedure. Journal of Global Optimization, 6:109–133.
Fischer, A., Bhamare, D., and Kassler, A. (2019). On the construction of optimal In 2019 28th embedding problems for delay-sensitive service function chains. International Conference on Computer Communication and Networks (ICCCN), pages 1–10.
Gao, M., Addis, B., Bouet, M., and Secci, S. (2018). Optimal orchestration of virtual network functions. Computer Networks, 142:108 – 127.
Jia, Y., Wu, C., Li, Z., Le, F., and Liu, A. (2018). Online scaling of nfv service IEEE/ACM Transactions on Networking, chains across geo-distributed datacenters. 26(2):699–710.
Khoshkholghi, M. A., Taheri, J., Bhamare, D., and Kassler, A. (2019). Optimized service In 2019 IEEE Conference on Network chain placement using genetic algorithm. Softwarization (NetSoft), pages 472–479.
Laghrissi, A. and Taleb, T. (2018). A Survey on the Placement of Virtual Resources and Virtual Network Functions. IEEE Communications Surveys Tutorials, pages 1–1.
Li, J., Liang, W., Huang, M., and Jia, X. (2020). Reliability-aware network service IEEE Transactions on Parallel and provisioning in mobile edge-cloud networks. Distributed Systems, pages 1–1.
Luizelli, M. C., da Costa Cordeiro, W. L., Buriol, L. S., and Gaspary, L. P. (2017). A fix-and-optimize approach for efficient and large scale virtual network function placement and chaining. Comput. Commun., 102(C):67–77.
Mijumbi, R., Serrat, J., Gorricho, J. L., Bouten, N., Turck, F. D., and Boutaba, R. (2016). IEEE Network Function Virtualization: State-of-the-Art and Research Challenges. Communications Surveys Tutorials, 18(1):236–262.
Mladenovi´c, N. and Hansen, P. (1997). Variable neighborhood search. Computer and Operations Research, 24(11):1097–1100.
NFV White Paper (2012). Network functions virtualisation: An introduction, benefits, enablers, challenges & call for action. SDN and OpenFlow World Congress.
Sun, Q., Lu, P., Lu, W., and Zhu, Z. (2016). Forecast-assisted nfv service chain In 2016 IEEE Global deployment based on affiliation-aware vnf placement. Communications Conference (GLOBECOM), pages 1–6.
Yi, B., Wang, X., Li, K., k. Das, S., and Huang, M. (2018). A comprehensive survey of network function virtualization. Computer Networks, 133:212 – 262.
