الگوريتمي مبتني بر تلفيق اطلاعات چند بانده با استفاده از شبكه GMDH براي پيشبيني بار ترافيك NFV در زيرساخت ابري

A multiband GMDH ensemble algorithm for NFV traffic prediction in cloud computing infrastructure

با فراگير شدن استفاده از عملگرهاي مجازي شبكه (NFV) كه سرويس هاي شبكه نظير مسيريابي، ديواره آتش و.. را به صورت نرم افزاري در قالب ماشين هاي مجازي روي ساختار ابري توزيع شده ارايه مي دهند، نياز به تضمين كيفيت سرويس و عدم تخطي از قرارداد SLA كاربر در كنار مصرف انرژي بهينه مركز داده ابري و كاهش تلفات انرژي ازجمله مشكلات مطرح در اين حوزه مي باشند. براي حل اين مشكلات نياز به الگوريتمي براي مقياس دهي و تخصيص پوياي منابع ابري با توجه به پيشبيني نرخ باركاري ابر مي باشد. از آنجا كه نرخ باركاري ورودي به ابر داراي تغييرات زيادي در بازه هاي كوتاه مدت است، الگوريتم هاي فعلي براي پيشبيني نرخ باركاري دقت لازم را ندارند. در اين مقاله روش Wavelet-GMDH با دقت بالاتر در پيشبيني حجم باركاري در مقايسه با كارهاي قبلي ارايه شده است. ايده اصلي روش ارايه شده مدل سازي زيرباندهاي مستقل زمان-فركانس باركاري با نگاشت تبديل موجك و استفاده از شبكه GMDH با ميزان غيرخطي نگي قابل كنترل در هر يك از زير باندها براي پيشبيني باركاري و در نهايت تلفيق خروجي هاي زيرباندها براي بدست اوردن مقدار نهايي پيشبيني باركاري مي باشد. ارزيابي عملكرد الگوريتم پيشنهادي با دو باركاري استاندارد ابري Intel و TSDL ، به سبب مدل سازي بهتر تغييرات شديد باركاري در هر يك از زيرباندهاي زمان-فركانس نشان داد كه درصد ميانگين خطاي مطلق پيشبيني 7.2 درصد نسبت به بهترين روش موجود در مقالات مرتبط كه مبتني بر شبكه عصبي مي باشد كاهش داشته است.

Network function virtualization (NFV) is an emerging technology. NFV enables networks to use software defined virtual functions such as firewalls, load balancers, and WAN accelerators, conventionally running on dedicated hardware. In order to provide NFV resources and meet SLA (Service Level Agreement) conditions, minimize energy consumption and utilize physical resources efficiently, dynamic resource allocation in cloud is an essential task. Since network traffic is changing rapidly, an optimized resource allocation strategy should consider resource auto-scaling property for NFV services.in order to scale cloud resources, we should predict NFV workload. Existing prediction methods are providing poor results for highly volatile and fluctuating time series such as cloud workloads. So, we propose a multiband decomposed wavelet prediction by GMDH ensemble algorithm for NFV traffic preciction. We evaluate the proposed model with two cloud workload traces. The results show the MAPE of prediction by the wavelet -GMDH method improved by 7.2% in compare to best perevious work in recent papers.