Escalabilidade Automática de VNFs Baseado em Predição para Eficiência Energética e de QoS
Virtualização de Funções de rede; Dimensionamento de funções virtuais; Aprendizado de máquina; Predição de demanda
O dimensionamento automático de funções virtuais tem recebido atenção recente com propostas que sugerem abordagens reativas baseadas no monitoramento do consumo dos recursos dedicados a elas, e proativas, com tomada de decisões antecipadas orientadas por predição de demanda pelos serviços, auxiliadas por técnicas de aprendizagem de máquina. Tais abordagens apresentam também a vantagem de permitir o gerenciamento dos custos de utilização da infraestrutura utilizada através, por exemplo, do desligamento de equipamentos não utilizados em períodos de baixa demanda para economia de energia. Entretanto, sem o conhecimento acurado das expectativas de tráfego, decisões erradas podem prejudicar a qualidade dos serviços em execução, estabelecendo aqui a necessidade de alcançar equilíbrio no conflito entre custo e desempenho. Soluções proativas apresentadas na literatura não avaliam o impacto de suas decisões sobre os serviços em execução ou não apresentam formas de mitigar prejuízos sobre seu desempenho decorrente de decisões erradas. Esse trabalho tem como objetivo propor um mecanismo baseado em predição de demanda para o dimensionamento automático de instâncias de funções virtuais de modo a alcançar redução no consumo de energia da infraestrutura e minimizar o impacto das decisões tomadas sobre o desempenho dos serviços em execução. Além disso, pretendemos avaliar o impacto sobre o desempenho dos serviços e o custo de utilização sob esquemas de dimensionamento vertical e horizontal com o objetivo de orientar decisões também nesse sentido