یک مدل برنامه ریزی پویا برای استقرار زنجیره توابع سرویس در رایانش ابر- مه

ظهور مجازیسازی تابع شبکه (NFV) ارائه انعطاف پذیر سرویس ها در شبکه های مبتنی بر محاسبات ابر-مه (FCCN) را امکان پذیر کرده و منجر به تسهیل پیاده سازی شبکه های ۵g شده است. از طریق تکنیک مجازی سازی، NFV می تواند هر تابع شبکه مجازی (VNF) را از سخت افزار جدا کرده و به صورت انعطاف پذیر در محاسبات لبه سیار MEC مستقر کند. هر درخواست سرویس در NFV یک زنجیره تابع سرویس (SFC) را با پیوند دادن VNF های مختلف جمع آوری و ترافیک را به ترتیب زنجیره ای پردازش می کند. نحوه تخصیص منابع و استقرار SFC در MEC برای برآوردن الزامات کیفیت خدمات یک چالش مهم برای NFV است. هدف از مکان یابی این است که تعیین شود روی چه گره هایی چه نوع VNF باید مستقر شود تا SFC درخواست شده ارضاء شود. در این پژوهش، از سه تابع کلیدی برای مستقر سازی VNF ها که شامل تاخیر، بهره وری منابع و توان عملیاتی استفاده شده است. برای افزایش راندمان مکان یابی و ایجاد تعادل بین هدف های پژوهش در این مقاله از یادگیری تقویتی عمیق جهت مکان یابی پویا SFC با الگوریتم استفاده مجدد از VNF (DSPVR) در محیط مه- ابر پیشنهاد شده است. از الگوریتم A۳C به عنوان یادگیری تقویتی عمیق استفاده شده است. DSPVR یک مدل برنامه ریزی پویا برای مکان یابی SFC بر اساس استفاده مجدد از VNF های اولیه است که می تواند بین کیفیت خدمات و هزینه های سرویس تحت محدودیت های FCCN مصالحه ایجاد کند. الگوریتم A۳C در این مقاله برای پیمایش در محیط های پویا استفاده شده است که مهم ترین مزیت آن سازگاری الگوریتم برای اجرا در زمان واقعی می باشد.جهت ارزیابی الگوریتم پیشنهادی از توپولوژی Germany استفاده شده است که روش پیشنهادی در مقایسه با روش های یادگیری پایه شامل SPFF ، DRL- SFCP ، DDQP و دو روش DQN و الگوریتم ژنتیک چند هدفه ارزیابی شده است. نتایج روش پیشنهادی براساس معیارهای انرژی مصرفی، توان عملیاتی، هزینه منابع، هزینه ی مصرف شده، هزینه ی تاخیر، زمان اجرا، پاداش و نرخ پذیرش مورد بررسی و ارزیابی قرار گرفته است. نتایج شبیه سازی برتری الگوریتم پیشنهادی را در مقایسه با روش های پیشرفته مانند DRL-SFCP و DDQP نشان می دهد. DSPVR از نظر هزینه پولی از DRL-SFCP ۴.۹% و DDQP ۹.۲% بهتر عمل کرده است. بطورکلی نتایج بدست آمده از آزمایش ها نشان داد در تمامی موارد روش پیشنهادی توانسته است به نتایج قابل قبولی دست یابد.

کلیدواژه ها:

محاسبات ابر- مه ، تابع شبکه مجازی ، زنجیره تابع سرویس ، یادگیری تقویتی عمیق