Alocação inteligente de recursos para redes NFV SDN da próxima geração

• Autor(a) principal: Ramalho, João Pedro Gomes
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/146239
• topic: Network Function Virtualisation; Deep Reinforcement Learning; problema NP-completo; Otimização; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

A tecnologia de Network Function Virtualization (NFV) introduz o conceito de função virtualizada de rede, isto é, as diversas funções que tradicionalmente compunham uma rede de comunicações deixam de estar associadas a hardware dedicado, e passam a ser virtualizadas em software e colocadas em hardware normalizado. Um dos maiores desafios para a implementação de NFV é a colocação ótima dos recursos requeridos por um dado serviço na infra-estrutura NFV. A colocação de funções virtualizadas e a sua incorporação na rede podem ser formuladas como um problema matemático de otimização, tendo em consideração um conjunto de limitações que expressam as restrições da infraestrutura de rede e dos serviços contratados. Este problema está provado ser um problema NP-completo e, portanto, de complexidade difícil de tratar. Tendo em conta a complexidade do problema a utilização de abordagens que não dependam de um modelo do sistema tem atraído a atenção da comunidade. Este é o caso da utilização de Deep Reinforcement Learning. Neste trabalho seguiu-se uma abordagem analítica para a resolução deste problema, que consistiu na simulação de uma topologia de um datacenter com oito nós de computação considerando-se pedidos de Service Function Chaining (SFC) com valores gerados aleatoriamente dentro de um intervalo limitado. Foi usado o OPEN-AI Gym para a criação do ambiente de simulação e a arquitetura PyTorch, para a criação do agente Deep Reinforcement Learning (DRL). O agente resultante conseguiu aprender a colocar funções de rede, na infra-estrutura considerada, através da exploração do ambiente numa primeira fase e posteriormente maximizar a utilização da rede toda, de maneira a que esta pudesse conter o maior número de funções de rede, sem violar os requisitos de cada função de rede. As experiências de desempenho levadas a cabo, demonstram que o modelo do agente de DRL é superior aos algoritmos empíricos desenvolvidos.