論文の概要: Optimizing Service Function Chain Mapping in Network Function Virtualization through Simultaneous NF Decomposition and VNF Placement

• arxiv url: http://arxiv.org/abs/2411.07606v1
• Date: Tue, 12 Nov 2024 07:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:40.102644
• Title: Optimizing Service Function Chain Mapping in Network Function Virtualization through Simultaneous NF Decomposition and VNF Placement
• Title（参考訳）: 同時NF分解とVNF配置によるネットワーク機能仮想化におけるサービス機能チェーンマッピングの最適化
• Authors: Asghar Asgharian-Sardroud, Mohammad Hossein Izanlou, Amin Jabbari, Sepehr Mahmoodian Hamedani,
• Abstract要約: 非支配的ソート遺伝的多目的アルゴリズム(GANSII)に基づく多目的分解とマッピングVNF(MODMVNF)手法を提案する。 目的は、SFCのマッピングコストと通信遅延を最小限に抑えるため、物理ネットワーク上のほぼ最適分解とマッピングを同時に見つけることである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Network function virtualization enables network operators to implement new services through a process called service function chain mapping. The concept of Service Function Chain (SFC) is introduced to provide complex services, which is an ordered set of Network Functions (NF). The network functions of an SFC can be decomposed in several ways into some Virtual Network Functions (VNF). Additionally, the decomposed NFs can be placed (mapped) as VNFs on different machines on the underlying physical infrastructure. Selecting good decompositions and good placements among the possible options greatly affects both costs and service quality metrics. Previous research has addressed NF decomposition and VNF placement as separate problems. However, in this paper, we address both NF decomposition and VNF placement simultaneously as a single problem. Since finding an optimal solution is NP-hard, we have employed heuristic algorithms to solve the problem. Specifically, we have introduced a multiobjective decomposition and mapping VNFs (MODMVNF) method based on the non-dominated sorting genetic multi-objective algorithm (NSGAII) to solve the problem. The goal is to find near-optimal decomposition and mapping on the physical network at the same time to minimize the mapping cost and communication latency of SFC. The comparison of the results of the proposed method with the results obtained by solving ILP formulation of the problem as well as the results obtained from the multi-objective particle swarm algorithm shows the efficiency and effectiveness of the proposed method in terms of cost and communication latency.
• Abstract（参考訳）: ネットワーク関数仮想化により、ネットワークオペレータは、サービス関数チェーンマッピングと呼ばれるプロセスを通じて、新しいサービスを実装することができる。 サービス機能チェーン(SFC)の概念は、ネットワーク関数(NF)の順序付けられたセットである複雑なサービスを提供するために導入された。 SFCのネットワーク機能は、いくつかの仮想ネットワーク関数(VNF)に分解することができる。 さらに、分解されたNFは、基盤となる物理インフラ上の異なるマシンにVNFとして配置(マップされる)することができる。 可能な選択肢の中で優れた分解と適切な配置を選択することは、コストとサービス品質のメトリクスに大きな影響を与えます。 従来の研究では、別の問題としてNF分解とVNF配置に対処している。 しかし,本稿では,NF分解とVNF配置を同時に一つの問題として扱う。 最適解がNPハードであることから,この問題の解法としてヒューリスティックアルゴリズムを用いた。 具体的には、非支配的ソート遺伝的多目的アルゴリズム(NSGAII)に基づく多目的分解とマッピングVNF(MODMVNF)法を導入し、この問題を解決する。 目的は、SFCのマッピングコストと通信遅延を最小限に抑えるため、物理ネットワーク上のほぼ最適分解とマッピングを同時に見つけることである。 提案手法の結果と,問題のILP定式化を解いた結果と,多目的粒子群アルゴリズムから得られた結果を比較し,コストと通信遅延の観点から,提案手法の有効性と有効性を示す。

関連論文リスト

• Multifidelity domain decomposition-based physics-informed neural networks and operators for time-dependent problems [40.46280139210502]
  多重忠実積層PINNとドメイン分解に基づく有限基底PINNの組み合わせを用いる。 ドメイン分解アプローチは、PINNと重ね合わせのPINNアプローチを明らかに改善する。 FBPINNアプローチは、多要素物理インフォームド・ディープ・オペレーター・ネットワークに拡張可能であることが実証された。
  論文  参考訳（メタデータ） (2024-01-15T18:32:53Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• Advanced Scaling Methods for VNF deployment with Reinforcement Learning [0.0]
  ネットワーク機能仮想化(NFV)とソフトウェア定義ネットワーク(SDN)は新たなネットワークパラダイムとなっている。 VNFデプロイメントを最適化するための強化学習(RL)ベースのアプローチが提案されている。 本稿では,より一般的なネットワーク設定に適応可能な拡張モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-19T21:31:23Z)
• End-to-End Pareto Set Prediction with Graph Neural Networks for Multi-objective Facility Location [10.130342722193204]
  施設配置問題(FLP)は、サプライチェーンやロジスティクスで広く見られるNPハード最適化問題の典型的なクラスである。 本稿では,システム全体のコストを同時に最小化し,システム信頼性を最大化する多目的施設配置問題(MO-FLP)について考察する。 ノードとエッジの暗黙グラフ表現を学習するために、2つのグラフニューラルネットワークを構築した。
  論文  参考訳（メタデータ） (2022-10-27T07:15:55Z)
• SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
  我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。 各ブロックの推測は最適化の単一イテレーションに対応することを示す。 実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-26T08:17:39Z)
• Reinforcement Learning of Graph Neural Networks for Service Function Chaining [3.9373541926236766]
  サービス機能連鎖(SFC)モジュールは、物理サーバを介してネットワークトラフィックの効率的な経路を生成することで重要な役割を果たす。 従来の教師付き学習手法では,SFCタスクのネットワーク特徴をグラフニューラルネットワーク(GNN)で表現できることが実証された。 本稿では,ラベルなしデータを用いた各種ネットワークトポロジのトレーニングモデルに強化学習手法を適用した。
  論文  参考訳（メタデータ） (2020-11-17T03:50:53Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Machine Learning for Performance-Aware Virtual Network Function Placement [3.5558885788605323]
  サービス機能チェーン(SFC)を形成する仮想ネットワーク機能インスタンスの効率的な配置から学習する機械学習決定ツリーモデルを開発する。 このモデルは入力としてネットワークからいくつかのパフォーマンス関連の特徴を取り、依存するVNFインスタンス間の遅延を最小限に抑える目的で、ネットワークサーバ上の様々なVNFインスタンスの配置を選択する。
  論文  参考訳（メタデータ） (2020-01-13T14:08:39Z)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。