Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 595
Aluno: Guto Leoni Santos
Orientadora: Profa. Judith Kelner
Coorientadora: Profa. Patricia Takako Endo (UPE/Caruaru)
Título: An Artificial Intelligence Powered Framework for Automatic Service
Function Chain Placement in Distributed Scenarios
Data: 22/03/2023
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Nelson Souto Rosa (UFPE / Centro de Informática)
Prof. Paulo Romero Martins Maciel (UFPE / Centro de Informática)
Prof. Edmundo Roberto Mauro Madeira (UNICAMP / Instituto de Computação )
Prof. Antonio Alfredo Ferreira Loureiro (UFMG / Departamento de Ciência da Computação)
Prof. Carmelo Jose Albanez Bastos Filho (UPE / Escola Politécnica de Pernambuco)
RESUMO:
Software Defined Networks (SDN) e Network Function Virtualisation (NFV)
estão tornando as redes programáveis e, consequentemente, muito mais
flexíveis e ágeis. Para cumprir acordos de nível de serviço, obter maior
utilização de redes legadas, implantação de serviço mais rápida e reduzir
despesas, as operadoras de telecomunicações estão implantando Service
Function Chains (SFCs) cada vez mais complexas. Apesar dos benefícios das
SFCs, o aumento da heterogeneidade e do dinamismo da computação em nuvem
para a computação em borda apresenta desafios significativos de
posicionamento de SFC, não menos importante, adicionando ou removendo
funções de rede, mantendo a disponibilidade, qualidade de serviço e
minimizando custos.
Apesar das vantagens da virtualização de serviço, espera-se que o
desempenho e a disponibilidade da rede não sejam afetados pelo uso de SFCs.
No entanto, vários fatores que podem comprometer a disponibilidade da SFC
são adicionados em um cenário virtualizado, como falhas de software, erros
de configuração, ataques cibernéticos, entre outros. Para mitigar o impacto
desses fatores, mecanismos de redundância podem ser utilizados, ou seja,
adicionar Funções Virtuais de Redes (do inglês Virtual Network Functions
(VNFs)) redundantes nos servidores para manter o funcionamento da SFC em
caso de falhas. Por outro lado, os operadores de rede desejam, obviamente,
alocar as SFCs otimizando a utilização dos recursos com o intuito de
reduzir os Gastos Operacionais (do inglês Operational Expenditures (OPEX)).
No entanto, isto é um desafio, pois os mecanismos de redundância exigem
recursos computacionais adicionais.
Além disso, a alocação de uma SFC em cenários distribuídos pode melhorar
sua disponibilidade, uma vez que uma falha isolada não impactaria toda a
operação do SFC. No entanto, a alocação em cenários geograficamente
distribuídos aumenta a complexidade do gerenciamento, onde diferentes tipos
de hardware e atrasos adicionais podem comprometer o desempenho da SFC.
Portanto, estratégias inteligentes são necessárias para otimizar o
posicionamento das SFCs. Além disso, com o intuito de reduzir o OPEX, essas
estratégias devem ser executadas com o mínimo de iteração humana.
Esta tese apresenta o Sfc Placement framework focused on availability for
DistributEd scenaRios (SPIDER), um framework para posicionamento de SFC com
foco em cenários distribuídos e disponibilidade dessa SFC. O SPIDER foi
projetado para fazer o posicionamento de SFC em diferentes cenários
distribuídos, ou seja, cenários com diferentes características de hardware
e software. Para fazer isso, o SPIDER utiliza informações contextuais para
definir a estratégia de posicionamento do SFC. Além disso, técnicas de
aprendizado de máquina são usadas para prever o tráfego das SFCs alocadas
previamente e aprendizado de reforço para selecionar os servidores para o
posicionamento
da SFC. Porém, o SPIDER é flexível para usar outras abordagens de acordo
com as necessidades do gerente da rede. Além disso, com base na estratégia
de posicionamento definida pelos algoritmos de aprendizado de máquina, o
SPIDER também interage com as ferramentas de gerenciamento para fazer o
posicionamento do SFC de forma automática, ou seja, com o mínimo de
intervenção humana, facilitando o gerenciamento da rede.
Palavras-chave: Network Function Virtualisation. Service Function Chain.
Gerenciamento de rede. Rede distribuída. Aprendizado de máquina.
Aprendizado profundo. Aprendizado por reforço.
Comentários desativados