PPgSC/UFRN
PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
ADMINISTRAÇÃO DO CCET
Telefone/Ramal:
(84)3342-2225/115
E-mail:
ppgsc@ppgsc.ufrn.br
https://posgraduacao.ufrn.br/ppgsc
Banca de DEFESA: THIAGO PEREIRA DA SILVA
Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.STUDENT : THIAGO PEREIRA DA SILVA
DATE: 15/09/2023
TIME: 14:00
LOCAL: Google Meet
TITLE:
Uma abordagem baseada em aprendizado online por agrupamento para dimensionamento de VNF na borda
KEY WORDS:
Autodimensionamento, Computação de Borda, Edge Computing, Aprendizado de Máquina Online, Aprendizado por Agrupamento, Funções de Redes Virtualizadas, Computação Autonômica.
PAGES: 125
BIG AREA: Ciências Exatas e da Terra
AREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
SPECIALTY: Teleinformática
SUMMARY:
Recentemente, foram propostas plataformas de computação de borda (do inglêsEdge
Computing) para gerenciar aplicações emergentes com alta carga computacional e baixos
requisitos de tempo de resposta. De modo a proporcionar mais agilidade e flexibilidade na
prestação de serviços e, em simultâneo, reduzir os custos de implantação para os prove-
dores de infraestrutura, tecnologias como a Virtualização das Funções de Rede (NFV, do
inglêsNetwork Functions Virtualization) são frequentemente utilizadas em ambientes de
produção na borda da rede. NFV promove o desacoplamento de hardware e funções de
rede usando tecnologias de virtualização, permitindo que elas funcionem em máquinas
virtuais ou contêineres como software. As funções de rede ou mesmo funções de camadas
superiores são implementadas como entidades de software chamadas Funções de Rede
Virtual (VNFs, do inglêsVirtual Network Functions). A integração dos paradigmas de
Computação de Borda e NFV, como proposto pelo ETSI MEC, permite a criação de um
ecossistema para aplicações 5G. Tal integração permite a criação de cadeias de VNF,
representando serviços ponta a ponta para os usuários finais e sua implantação em nós
de borda. Uma cadeia de funções de serviço (SFC, do inglêsService Function Chain-
ing) compreende um conjunto de VNFs encadeadas em uma determinada ordem, onde
cada VNF pode ser executada em um nó de borda diferente. Os principais desafios neste
ambiente dizem respeito ao provisionamento dinâmico e ao desprovisionamento de recur-
sos distribuídos na borda para executar as VNFs e atender às exigências da aplicação,
otimizando o custo para o fornecedor da infraestrutura. Este trabalho apresenta uma
abordagem híbrida de dimensionamento automático para o dimensionamento dinâmico
das VNFs no ambiente de computação de borda. Tal abordagem de autodimensionamento
Computing) para gerenciar aplicações emergentes com alta carga computacional e baixos
requisitos de tempo de resposta. De modo a proporcionar mais agilidade e flexibilidade na
prestação de serviços e, em simultâneo, reduzir os custos de implantação para os prove-
dores de infraestrutura, tecnologias como a Virtualização das Funções de Rede (NFV, do
inglêsNetwork Functions Virtualization) são frequentemente utilizadas em ambientes de
produção na borda da rede. NFV promove o desacoplamento de hardware e funções de
rede usando tecnologias de virtualização, permitindo que elas funcionem em máquinas
virtuais ou contêineres como software. As funções de rede ou mesmo funções de camadas
superiores são implementadas como entidades de software chamadas Funções de Rede
Virtual (VNFs, do inglêsVirtual Network Functions). A integração dos paradigmas de
Computação de Borda e NFV, como proposto pelo ETSI MEC, permite a criação de um
ecossistema para aplicações 5G. Tal integração permite a criação de cadeias de VNF,
representando serviços ponta a ponta para os usuários finais e sua implantação em nós
de borda. Uma cadeia de funções de serviço (SFC, do inglêsService Function Chain-
ing) compreende um conjunto de VNFs encadeadas em uma determinada ordem, onde
cada VNF pode ser executada em um nó de borda diferente. Os principais desafios neste
ambiente dizem respeito ao provisionamento dinâmico e ao desprovisionamento de recur-
sos distribuídos na borda para executar as VNFs e atender às exigências da aplicação,
otimizando o custo para o fornecedor da infraestrutura. Este trabalho apresenta uma
abordagem híbrida de dimensionamento automático para o dimensionamento dinâmico
das VNFs no ambiente de computação de borda. Tal abordagem de autodimensionamento
emprega uma técnica de aprendizagem de máquinas em conjunto on-line que consiste no
agrupamento de diferentes modelos de aprendizagem de máquinas on-line que preveem a
carga de trabalho futura das VNFs. A arquitetura da abordagem proposta segue a ab-
stração do MAPE-K (do inglêsMonitor-Analyze-Plan-Execute over a shared Knowledge)
para ajustar dinamicamente o número de recursos em resposta às mudanças de carga de
trabalho. Esta abordagem é inovadora porque prevê proativamente a carga de trabalho
para antecipar ações de dimensionamento e se comporta de forma reativa quando o modelo
de predição não atende a uma qualidade desejada. Além disso, nossa solução não requer
nenhum conhecimento prévio do comportamento dos dados, o que a torna adequado para
uso em diferentes contextos. Também desenvolvemos um algoritmo para dimensionar as
instâncias de VNF, utilizando uma estratégia para definir quantos recursos devem ser
alocados ou desalocados durante uma ação de dimensionamento. Finalmente, avaliamos o
método de aprendizado por agrupamento e o algoritmo proposto, comparando o desem-
penho das predições e a quantidade de ações de dimensionamentos e violações do Acordo
de Nível de Serviço (SLA, do inglêsService Level Agreement).
carga de trabalho futura das VNFs. A arquitetura da abordagem proposta segue a ab-
stração do MAPE-K (do inglêsMonitor-Analyze-Plan-Execute over a shared Knowledge)
para ajustar dinamicamente o número de recursos em resposta às mudanças de carga de
trabalho. Esta abordagem é inovadora porque prevê proativamente a carga de trabalho
para antecipar ações de dimensionamento e se comporta de forma reativa quando o modelo
de predição não atende a uma qualidade desejada. Além disso, nossa solução não requer
nenhum conhecimento prévio do comportamento dos dados, o que a torna adequado para
uso em diferentes contextos. Também desenvolvemos um algoritmo para dimensionar as
instâncias de VNF, utilizando uma estratégia para definir quantos recursos devem ser
alocados ou desalocados durante uma ação de dimensionamento. Finalmente, avaliamos o
método de aprendizado por agrupamento e o algoritmo proposto, comparando o desem-
penho das predições e a quantidade de ações de dimensionamentos e violações do Acordo
de Nível de Serviço (SLA, do inglêsService Level Agreement).
COMMITTEE MEMBERS:
Presidente - 1213777 - THAIS VASCONCELOS BATISTA
Interno - 1678918 - NELIO ALESSANDRO AZEVEDO CACHO
Externo ao Programa - 2510306 - FREDERICO ARAUJO DA SILVA LOPES - UFRNExterna à Instituição - FLAVIA COIMBRA DELICATO - UFF
Externo à Instituição - PAULO DE FIGUEIREDO PIRES - UFF
Notícia cadastrada em: 08/09/2023 17:56
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa03-producao.info.ufrn.br.sigaa03-producao