Linha de pesquisa: Sistemas de Computação

Resumo: 

Para fornecer conectividade a vários dispositivos, incluindo IoT, o 5G depende de tecnologias como Network Function Virtualization (NFV) e Multi-access Edge Computing (MEC). Devido aos fluxos de rede continuamente variáveis, o gerenciamento de recursos desses dispositivos é uma das tarefas mais importantes que requerem algoritmos dinâmicos para dimensionar os recursos finitos de forma eficiente e satisfazer os requisitos de QoS. Por esta razão, a combinação de mecanismos reativos de escalonamento automático e modelos de estimativa de recursos baseados em IA são previstos como facilitadores promissores.

Este trabalho propõe o RAFE (Resource Auto-scaling For Everything), um framework leve para dimensionar automaticamente aplicações VNF e MEC, reagindo e antecipando mudanças nos requisitos de recursos através de Machine Learning (ML), processos de treinamento distribuídos, múltiplos modelos de IA, e revalidação. Para tanto, primeiramente conduzimos uma análise aprofundada e comparação de vários algoritmos de ML aplicados em diversos contextos comumente enfrentados por aplicações de borda e nuvem. Empregando conjuntos de dados abertos, conduzimos uma avaliação abrangente de desempenho desses algoritmos em vários cenários frequentemente encontrados na borda da rede. Avaliamos sua eficácia em contextos univariados e multivariados, abrangendo previsões em uma e várias etapas, bem como tarefas envolvendo regressão e classificação. Além disso, apresentamos detalhadamente a arquitetura e os mecanismos do framework proposto e apresentamos um testbed de orquestração baseado em Docker para avaliar seu desempenho e funcionalidade em uma configuração adequada.

Além disso, validamos e comparamos o desempenho dos mecanismos de escalonamento automático implementados não apenas na carga de trabalho de rede esperada, mas também em uma carga de trabalho diferente e não vista, para avaliar o desempenho em relação a mudanças expressivas nos padrões aprendidos. Além disso, avaliamos a integrabilidade e os efeitos de longa operação do RAFE através da eficácia da revalidação. Os resultados experimentais mostram que o esquema proposto alcançou excelente desempenho na previsão e gestão de recursos, ao mesmo tempo que exigiu um curto período de tempo para treinar os modelos de previsão. Além disso, as soluções híbridas e preditivas

superam a solução reativa no que diz respeito à latência para reação às mudanças de tráfego, mas principalmente, a abordagem híbrida é fundamental para alcançar a relação custo-benefício e, ao mesmo tempo, garantir bons resultados sobre padrões imprevistos. Por fim, o RAFE apresenta excelente desempenho geral para escalonamento automático de aplicações de borda e em nuvem, apresentando também grande integrabilidade.

Link para a defesa: https://teams.microsoft.com/meetingOptions/?organizerId=542a56f3-cff7-4c...