MACHINE LEARNING METHOD FOR ADAPTIVE VIRTUAL NETWORK FUNCTIONS PLACEMENT AND READJUSTMENT

• Main Authors: KARA, Nadjia, ABDUL WAHAB, Omar, EDSTRÖM, Claes Göran Robert
• Format: Patent
• Language: English; French
• Published: 06.02.2020
• Subjects: CALCULATING; COMPUTING; COUNTING; ELECTRIC DIGITAL DATA PROCESSING; PHYSICS

Virtual Network Functions (VNFs) are placed in a substrate network and the placement is readjusted based on dynamic resource availability and dynamic resource utilization in the substrate network. A predetermined number of servers is selected sequentially as cluster-heads based on a set of metrics which measure the efficiency of the servers in different aspects. The servers are partitioned into the predetermined number of disjoint clusters with different efficiency aspects. Each cluster includes one of the cluster-heads which performs the placement and readjustment of the VNFs for the cluster. An incoming VNF is placed at a given server in a given cluster by the cluster-head of the given cluster, which optimizes an objective function subject to a set of constraints. The objective function is optimized with respect to a subset of the metrics which excludes one or more metrics in which the given cluster is efficient. Selon l'invention, des fonctions réseau virtuelles (VNF) sont placées dans un réseau substrat, et le placement est réajusté sur la base d'une disponibilité dynamique de ressources et d'une utilisation dynamique de ressources dans le réseau substrat. Un nombre prédéterminé de serveurs sont sélectionnés séquentiellement comme têtes de grappe sur la base d'un ensemble de métriques qui mesurent l'efficacité des serveurs dans différents aspects. Les serveurs sont partitionnés en un nombre prédéterminé de grappes disjointes ayant des aspects d'efficacité différents. Chaque grappe comprend l'une des têtes de grappe, qui effectue le placement et le réajustement des VNF pour la grappe. Une VNF entrante est placée au niveau d'un serveur donné dans une grappe donnée par la tête de grappe de la grappe donnée, qui optimise une fonction objectif soumise à un ensemble de contraintes. La fonction objectif est optimisée relativement à un sous-ensemble des métriques qui exclut une ou plusieurs métriques dans lesquelles la grappe donnée est efficace.