Alocação inteligente de recursos para redes NFV SDN da próxima geração

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.The NFV technology introduces the concept of virtualized network function, that is, the various functions that traditionally made up a communications network are no longer associated with dedicated hardware, but are virtualized in software and placed on standardized hardware. One of the major challenges for implementing NFV is the optimal placement of the resources required by a given service on the NFV infrastructure. The placement of virtualized functions and their incorporation into the network can be formulated as a mathematical optimization problem, taking into account a set of constraints that express the constraints of the network infrastructure and the contracted services. This problem is proven to be an NP-complete problem and therefore of difficult complexity to handle. Given the complexity of the problem the use of approaches that do not rely on a model of the system has attracted the attention of the community. This is the case with the use of Deep Reinforcement Learning. In this work we followed an analytical approach to solve this problem, which consisted of simulating a topology of a datacenter with eight compute nodes, considering SFC requests with randomly generated values within a limited range. The OPEN-AI Gym was used to create the simulation environment and the PyTorch architecture, to create the DRL agent. The resulting agent was able to learn how to place network functions, on the considered infrastructure, by first exploring the environment and subsequently maximizing the utilization of the entire network, so that it could contain as many network functions as possible, without violating the requirements of each network function. The performance experiments carried out, demonstrate that the model developed by the DRL agent is superior to the empirical algorithms developed