IT202000031034A1 - Metodo per la gestione di risorse di un’infrastruttura per la network function virtualization - Google Patents
Metodo per la gestione di risorse di un’infrastruttura per la network function virtualization Download PDFInfo
- Publication number
- IT202000031034A1 IT202000031034A1 IT102020000031034A IT202000031034A IT202000031034A1 IT 202000031034 A1 IT202000031034 A1 IT 202000031034A1 IT 102020000031034 A IT102020000031034 A IT 102020000031034A IT 202000031034 A IT202000031034 A IT 202000031034A IT 202000031034 A1 IT202000031034 A1 IT 202000031034A1
- Authority
- IT
- Italy
- Prior art keywords
- historical
- subset
- data
- historical data
- telephone infrastructure
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 57
- 238000007726 management method Methods 0.000 claims description 37
- 230000007246 mechanism Effects 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 238000013468 resource allocation Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0895—Configuration of virtualised networks or elements, e.g. virtualised network function or OpenFlow elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
- H04L41/0897—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities by horizontal or vertical scaling of resources, or by migrating entities, e.g. virtual resources or entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/085—Retrieval of network configuration; Tracking network configuration history
- H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
- Telephonic Communication Services (AREA)
Description
Titolo "Metodo per la gestione di risorse di un?infrastruttura per la network function virtualization.?
DESCRIZIONE
Campo tecnico
La presente invenzione ? relativa a un metodo per la gestione di risorse di un?infrastruttura per la network function virtualization. Tale metodo trova particolare utilizzo nell?ambito delle operazioni di gestione di un?infrastruttura telefonica.
Stato della tecnica nota
Sono note in letteratura le infrastrutture per la network function virtualization (infrastrutture NFV). In particolare, il termine network function virtualization si riferisce ad un approccio architetturale che sfrutta le tecnologie delle informazioni per virtualizzare servizi di rete. In altre parole, il termine network function virtualization si riferisce ad un approccio di rete che permette di sostituire dispositivi hardware come router e firewall con applicazioni di rete che sono basate sui software e che funzionano come macchine virtuali (macchine VM) su server standard. Il termine network function virtualization si riferisce anche a metodi di virtualizzazione lightweight come quelli a livello di sistema operativo, detti anche sistemi container.
Pi? in dettaglio, tramite l?infrastruttura NFV le funzionalit? di rete diventano applicazioni software denominate virtual network function (VNF) che possono essere istanziate su un server. In altre parole, le VNF vengono messe in opera all?interno dell?infrastruttura NFV in forma di software che viene eseguito all?interno di diverse macchine virtuali.
E? altres? noto che per un funzionamento ottimale di un?infrastruttura NFV ? necessario effettuare una gestione appropriata delle risorse dell?infrastruttura.
Tradizionalmente, un operatore calibra il numero di macchine virtuali da mettere in opera per ciascuna VNF, cos? come i relativi requisiti hardware associati sulla base di informazioni statiche. Ad esempio, tali informazioni statiche corrispondono alla specifiche fornite dal fornitore dell?infrastruttura relative alla quantit? di macchine virtuali e alla quantit? di risorse hardware che ciascuna macchina virtuale richiede al massimo in funzione di determinati livelli di volume di traffico.
Sulla base di tali informazioni, l?operatore applica normalmente un algoritmo di allocazione euristico oppure ottimale per allocare le macchine virtuali sull?infrastruttura e decidere come eventualmente espandere la stessa per ospitare il carico atteso.
Problema della tecnica nota
Tuttavia, durante la messa in opera della macchine virtuali, si pu? constatare un notevole sottoutilizzo delle risorse da parte di ciascuna macchina virtuale o, comunque, un disallineamento con le informazioni fornite dal fornitore dell?infrastruttura, come effetto delle effettive condizioni di carico su cui queste vengono sottoposte (volume di traffico, ma anche tipo di richieste effettuate sul sistema).
La presenza continua di condizioni di sottoutilizzo delle risorse spinge l?operatore all?applicazione di politiche di sovra-allocazione (overprovisioning), tipicamente configurate in maniera del tutto statica.
Conseguentemente, il team di gestione dell?infrastruttura deve effettuare frequentemente interventi multipli di riallocazione delle macchine virtuali nell?infrastruttura, per compensare problemi di interferenza sulle performance (noisy neighbour) dovute a macchine virtuali che esibiscono sporadicamente ed in maniera non prevista picchi di carico incompatibili. Allo stesso tempo, il team di gestione dell?infrastruttura deve anche eseguire interventi di ridimensionamento dell?infrastruttura, tipicamente mediante espansione della capacit? delle macchine virtuali tramite operazioni di scale-out, ossia tramite incremento del numero di macchine virtuali che gestiscono il traffico di un?infrastruttura (?horizontal scaling?), o tramite operazione di scale-up, ossia tramite incremento delle risorse disponibili a ciascuna delle macchine virtuali che gestiscono il traffico di un?infrastruttura (?vertical scaling?). Allo stesso tempo, pu? risultare anche necessario restringere le capacit? tramite le operazioni inverse corrispondenti di scale-in o scale-down, per liberare risorse allocate in eccesso, e renderle disponibili per altre VNF.
Tali eventi causano un considerevole carico operativo per il team di gestione dell?infrastruttura, nonch? un rischio continuo di incorrere in degrado delle prestazioni o discontinuit? nella fornitura dei servizi dell?infrastruttura, in occasione delle operazioni di Vmotion e di ottimizzazione del data-center.
Sommario dell?invenzione
In questo contesto, il compito tecnico alla base della presente invenzione ? quello di fornire un metodo per la gestione di risorse di un?infrastruttura per la network function virtualization che superi gli inconvenienti della tecnica nota.
In particolare, ? scopo della presente invenzione proporre un metodo che permetta di effettuare una corretta allocazione delle risorse fisiche per le macchine virtuali in modo da tener conto degli effettivi requisiti di risorse (computazionali, di memoria, di rete, sistemi di storage, etc.) delle macchine virtuali, e della loro presumibile evoluzione temporale su di un orizzonte temporale definito.
Il compito tecnico precisato e gli scopi specificati sono sostanzialmente raggiunti da un metodo per la gestione di risorse di un?infrastruttura per la network function virtualization comprendente le caratteristiche tecniche esposte in una qualsiasi delle unite rivendicazioni.
Vantaggi dell?invenzione
Grazie ad una forma realizzativa preferita dell?invenzione ? possibile effettuare un?ottimizzazione predittiva delle operazioni di gestione dell?infrastruttura, in quanto, considerando le previsioni dei requisiti di risorse come proiettabili su un orizzonte temporale futuro, si riesce ad ottenere un?allocazione delle risorse fisiche per le macchine virtuali che ? gi? idonea ai carichi di lavoro previsti nel suddetto orizzonte temporale. Conseguentemente, vengono minimizzate le ulteriori operazioni di manutenzione eventualmente necessarie per la gestione dell?infrastruttura.
BREVE DESCRIZIONE DEI DISEGNI
Ulteriori caratteristiche e vantaggi della presente invenzione appariranno maggiormente chiari dalla descrizione indicativa, e pertanto non limitativa, di una forma di realizzazione preferita ma non esclusiva, di un metodo per la gestione di risorse di un?infrastruttura per la network function virtualization come illustrato nell?unita figura in cui:
- la Figura 1 ? una rappresentazione schematica dell?ordine delle fasi principali del metodo.
DESCRIZIONE DETTAGLIATA
La presente invenzione ? relativa a un metodo per la gestione di risorse di un?infrastruttura per la network function virtualization.
Tale metodo comprende la fase di fornire 1 un primo database contenente dati storici di gestione dell?infrastruttura telefonica. Tali dati storici di gestione dell?infrastruttura telefonica sono relativi ad un orizzonte temporale predefinito.
Il metodo comprende, inoltre, la fase di fornire 2 un?unit? di controllo in comunicazione di segnale con il database.
Il metodo comprende anche la fase di fornire 3 un meccanismo di apprendimento automatico. Come sar? pi? chiaro nel seguito, il meccanismo di apprendimento automatico, una volta addestrato, permette di effettuare una previsione a partire da dati forniti in ingresso.
Il meccanismo di apprendimento automatico pu? corrispondere, ad esempio, a tecniche statistiche avanzate, come metodi di regressione lineare o polinomiale, o anche di tipo Auto-Regressive Integrated Moving Average with eXogenous inputs (ARIMAX). In alternativa, il meccanismo di apprendimento automatico corrisponde a tecniche di machine learning o a modelli autoregressivi che sfruttano input esogeni come ad esempio Nonlinear Autoregressive with Exogenous Input (NARX), oppure Support-Vector Machine for Regression (SVR). Ancora ad esempio, il meccanismo di apprendimento automatico corrisponde a reti neurali eventualmente profonde per predizione di serie temporali, come reti neurali di tipo multi-layer perceptron (MLP), reti neurali ricorrenti (RNN), reti neurali profonde di tipo Long Short-Term Memory (LSTM) o Gated Recurrent Unit (GRU).
Infine, il meccanismo di apprendimento automatico pu? comprendere una combinazione delle differenti tecniche predittive sopra introdotte per affinare l?accuratezza della previsione eseguita. Ad esempio, il meccanismo di apprendimento automatico potrebbe comprendere metodi statistici e/o di machine learning per la predizione di componenti costanti e a bassa/bassissima frequenza e reti neurali dense e/o ricorrenti per la predizione delle componenti ad alta/altissima frequenza.
Giova sottolineare che le metodologie di meccanismo di apprendimento automatico elencate a titolo di esempio sono di per s? note al tecnico di settore e non verranno per questo motivo qui descritte.
Successivamente, il metodo comprende la fase di estrapolare 4 tramite l?unit? di controllo almeno un primo sottoinsieme di dati storici dai dati storici di gestione dell?infrastruttura telefonica. Il primo sottoinsieme di dati storici ? relativo ad una prima finestra temporale predefinita. Preferibilmente, ciascun primo sottoinsieme di dati storici estrapolato ? relativo alla prima finestra temporale predefinita. Ancora preferibilmente, la prima finestra temporale predefinita corrisponde, ad esempio, ad una o pi? settimane dell?orizzonte temporale predefinito.
Il metodo comprende quindi la fase di estrapolare 5 tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici dai dati storici di gestione dell?infrastruttura telefonica. Il secondo sottoinsieme di dati storici ? relativo ad una seconda finestra temporale predefinita. Preferibilmente, ciascun secondo sottoinsieme di dati storici estrapolato ? relativo alla seconda finestra temporale predefinita. Ancora preferibilmente, la seconda finestra temporale predefinita corrisponde, ad esempio, ad una o pi? settimane dell?orizzonte temporale predefinito.
In aggiunta, il metodo comprende la fase di definire 6 tramite l?unit? di controllo un vettore di input storico comprendente i dati storici del primo sottoinsieme di dati storici. Preferibilmente, il vettore di input storico comprende i dati storici di ciascun primo sottoinsieme di dati storici estrapolato nelle fasi precedenti.
Il metodo comprende anche la fase di definire 7 tramite l?unit? di controllo un vettore di output storico comprendente i dati storici del secondo sottoinsieme di dati storici. Preferibilmente, il vettore di output storico comprende i dati storici di ciascun secondo sottoinsieme di dati storici estrapolato nelle fasi precedenti.
Successivamente, il metodo comprende la fase di addestrare 8 tramite l?unit? di controllo il meccanismo di apprendimento automatico per ottenere in uscita il vettore di output storico fornendo in ingresso al meccanismo di apprendimento automatico il vettore di input storico. In altre parole, il meccanismo di apprendimento automatico viene addestrato a fornire i dati storici relativi alla seconda finestra temporale predefinita quando in ingresso vengono forniti i dati storici relativi alla prima finestra temporale predefinita. Preferibilmente, il meccanismo di apprendimento automatico viene addestrato in maniera supervisionata.
Dopo la fase di addestrare 8 il meccanismo di apprendimento automatico, il metodo comprende la fase di acquisire 9 tramite l?unit? di controllo almeno un sottoinsieme di dati attuali di gestione dell?infrastruttura telefonica. Tali dati attuali sono relativi ad una finestra temporale attuale. Preferibilmente, tali dati attuali sono acquisiti in tempo reale.
In aggiunta, il metodo comprende la fase di definire 10 un vettore di input attuale comprendente il sottoinsieme di dati attuali.
A seguito della fase di definire 10 un vettore di input attuale, il metodo comprende la fase di fornire 11 il vettore di input attuale in ingresso al meccanismo di apprendimento automatico addestrato per ottenere un vettore di output di predizione. Il vettore di output di predizione comprende una pluralit? di dati di predizione di gestione dell?infrastruttura telefonica. Tali dati di predizione rappresentano l?evoluzione temporale dei dati attuali forniti in ingresso al meccanismo di apprendimento automatico. In altre parole, tali dati di predizione sono relativi ad una finestra temporale di predizione.
Giova rilevare che la relazione che intercorre tra la finestra temporale attuale e la finestra temporale di predizione corrisponde alla relazione tra la prima e la seconda finestra temporale predefinita.
Dopo aver ottenuto il vettore di output di predizione, il metodo comprende la fase di analizzare 12 il vettore di output di predizione per definire il consumo di risorse dell?infrastruttura telefonica.
Il metodo comprende quindi la fase di fornire 13 un algoritmo di allocazione ottimale di risorse e la fase di eseguire 14 l?algoritmo di allocazione ottimale di risorse fornendo in ingresso il consumo di risorse dell?infrastruttura telefonica per ottenere in uscita un vettore di ottimizzazione. Tale vettore di ottimizzazione ? rappresentativo del numero di risorse fisiche da allocare per le macchine virtuali e delle risorse impegnate da ciascuna macchina virtuale per una gestione ottimale delle risorse dell?infrastruttura telefonica. Vantaggiosamente, ? possibile effettuare un?ottimizzazione predittiva delle operazioni di gestione dell?infrastruttura, in quanto, considerando una previsione del consumo di risorse stimato mediante il meccanismo di apprendimento automatico, si riesce ad ottenere un?allocazione delle risorse fisiche per le macchine virtuali che ? gi? idonea ai carichi di lavoro previsti. Conseguentemente, si riescono ad evitare dispendiose operazioni di manutenzione futura dell?infrastruttura telefonica.
Per semplicit?, nel seguito della presente descrizione, con l?espressione allocazione di macchine virtuali si intende, preferibilmente, l?allocazione di risorse fisiche per le macchine virtuali. Analogamente, con l?espressione macchine virtuali da allocare si intende, preferibilmente, le risorse fisiche da allocare per le macchine virtuali.
In accordo con una forma realizzativa preferita dell?invenzione, i dati storici di gestione dell?infrastruttura telefonica comprendono dati storici di monitoraggio dell?infrastruttura telefonica relativi al livello di utilizzo delle risorse dell?infrastruttura telefonica e/o al verificarsi in essa di eventuali condizioni di errore o anomalie. I dati storici di monitoraggio dell?infrastruttura telefonica comprendono, ad esempio, il livello di utilizzo del processore, dei dischi, della rete e di elementi di memoria.
Ancora in accordo con la forma realizzativa preferita dell?invenzione, i dati storici di gestione dell?infrastruttura telefonica comprendono anche dati storici di monitoraggio dell?applicazione dell?infrastruttura telefonica relativi al livello di utilizzo dell?applicazione dell?infrastruttura telefonica, alle sue caratteristiche di performance o affidabilit? e/o ad eventuali condizioni di errore o anomalie verificatesi in essa. I dati storici di monitoraggio dell?applicazione dell?infrastruttura telefonica comprendono, ad esempio, dati che misurano il numero di utenti registrati, il numero di sessioni, il numero di richieste ricevute, il numero e tipo di errori riscontrati, statistiche sulla latenza o percentuali di richieste erronee a causa di molteplici fattori.
Sempre in accordo alla forma realizzativa preferita dell?invenzione, i dati storici di gestione dell?infrastruttura telefonica comprendono anche dati storici di allocazione nel tempo di macchine virtuali sugli elementi dell?infrastruttura telefonica. Ad esempio, i dati storici di allocazione sono disponibili dal sistema di deployment delle macchine virtuali.
Preferibilmente, la fase di estrapolare 4 comprende estrapolare un primo sottoinsieme di dati storici dai dati storici di gestione dell?infrastruttura telefonica comprendente dati storici di monitoraggio dell?infrastruttura telefonica e/o dati storici di monitoraggio dell?applicazione dell?infrastruttura telefonica e/o dati storici di allocazione.
Secondo un aspetto dell?invenzione, prima delle fasi 6 e 7, il metodo comprende la fase di fornire un database di business contente dati di previsione relativi all?infrastruttura telefonica. Tali dati di previsione corrispondono a previsioni effettuate manualmente da operatori dell?infrastruttura telefonica.
Successivamente alla fase di fornire un database di business e prima delle fasi 6 e 7, il metodo comprende la fase di estrapolare un primo e un secondo sottoinsieme di dati di previsione relativi rispettivamente alla prima finestra temporale predefinita e alla seconda finestra temporale predefinita.
Preferibilmente, la fase di definire 6 comprende la sottofase di definire il vettore di input storico come comprendente il primo sottoinsieme di dati storici e il primo sottoinsieme di dati di previsione e la fase di definire 7 comprende la sottofase di definire il vettore di output storico come comprendente il primo sottoinsieme di dati storici e il secondo sottoinsieme di dati di previsione. Preferibilmente, il vettore di input storico e il vettore di output storico comprendono quindi sia dati storici di gestione dell?infrastruttura telefonica che dati di previsione ricavati manualmente da operatori dell?infrastruttura telefonica. Vantaggiosamente, l?utilizzo anche di dati di previsione per l?addestramento del meccanismo di apprendimento automatico migliora l?accuratezza dell?addestramento del meccanismo di apprendimento automatico e quindi le previsioni da esso effettuate.
In accordo con la forma realizzativa preferita dell?invenzione, la fase di estrapolare 5 tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici dai dati storici di gestione dell?infrastruttura telefonica comprende la fase di selezionare tramite l?unit? di controllo un secondo sottoinsieme di dati storici relativo alla seconda finestra temporale predefinita. Tale seconda finestra temporale predefinita ? distinta dalla prima finestra temporale predefinita. In altre parole, preferibilmente, la prima e la seconda finestra temporale predefinita possono essere tra loro contigue oppure possono essere distanziate tra di loro da un intervallo temporale di predizione. Ad esempio, la prima finestra temporale predefinita pu? corrispondere ad una settimana dell?orizzonte temporale predefinito, mentre la seconda finestra temporale predefinita pu? corrispondere alla settimana successiva dell?orizzonte temporale predefinito. Ancora ad esempio, la prima e la seconda finestra temporale predefinita possono essere distanziate da un valore di intervallo temporale di predizione pari ad un mese.
Grazie al fatto di aver addestrato il meccanismo di apprendimento automatico utilizzando una prima ed una seconda finestra temporale predefinita tra di loro distinte, fornendo in ingresso al meccanismo di apprendimento automatico addestrato una pluralit? di dati attuali relativi alla finestra temporale attuale ? possibile ottenere una pluralit? di dati di predizione relativi ad una finestra temporale di predizione contigua oppure distanziata dalla finestra temporale attuale del valore dell?intervallo temporale di predizione. In altre parole, ? quindi possibile ottenere predizioni in merito al comportamento futuro dell?infrastruttura telefonica. Infatti, ad esempio, ? possibile ottenere dei dati di predizione di monitoraggio dell?infrastruttura telefonica a partire da dati attuali di monitoraggio dell?infrastruttura telefonica e dell?applicazione dell?infrastruttura telefonica. Vantaggiosamente, ? quindi possibile valutare l?evoluzione del traffico dell?infrastruttura entro un orizzonte temporale di qualche settimana o mese. Allo stesso tempo, ? possibile ottenere dei dati di predizione di monitoraggio dell?applicazione dell?infrastruttura telefonica a partire da dati attuali di monitoraggio dell?infrastruttura telefonica e dell?applicazione dell?infrastruttura telefonica. Vantaggiosamente, ? quindi possibile prevedere l?evoluzione dei livello di carico (numero di sessioni, utenti, chiamate, etc.) entro un orizzonte temporale di qualche settimana o mese.
In accordo con una prima forma realizzativa dell?invenzione, la fase di estrapolare 4 tramite l?unit? di controllo almeno un primo sottoinsieme di dati storici dai dati storici di gestione dell?infrastruttura telefonica e la fase di estrapolare 5 tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici dai dati storici di gestione dell?infrastruttura telefonica comprendono la sotto-fase di applicare tramite l?unit? di controllo un algoritmo di tipo genetico per individuare almeno un primo e/o almeno un secondo sottoinsieme di dati storici ottimale da fornire al meccanismo di apprendimento automatico.
Preferibilmente, tale algoritmo di tipo genetico comprende la fase di definire una popolazione di sottoinsiemi casuali di variabili in ingresso, cui viene assegnato uno score sulla base del training error ottenuto addestrando un meccanismo di apprendimento automatico a partire da una popolazione di primi e/o secondi sottoinsiemi di dati storici. Successivamente, l?algoritmo di tipo genetico comprende la fase di scartare un numero predeterminato di elementi della popolazione con errore di training maggiore e di combinare coppie scelte casualmente fra gli elementi della popolazione con training error minore usando una funzione di cross-over e generando ulteriori elementi applicando una funzione di mutazione ad una bassa percentuale di elementi della popolazione presi a caso, in modo da ripristinare una popolazione di elementi di dimensione prefissata. L?algoritmo di tipo genetico comprende quindi la fase di reiterare per un numero prefissato di iterazioni il processo di valutazione del training error per gli elementi della nuova popolazione, l?applicazione della funzione di cross-over e della funzione di mutazione. Al termine della ripetizione del numero prefissato di iterazioni i primi e/o i secondi sottoinsiemi di dati storici da utilizzare per addestrare il meccanismo di apprendimento automatico sono quelli con score migliore.
In accordo con una seconda forma realizzativa dell?invenzione, alternativa alla prima forma realizzativa dell?invenzione, la fase di estrapolare 4 tramite l?unit? di controllo almeno un primo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica e la fase di estrapolare 5 tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica comprendono la sotto-fase di definire tramite l?unit? di controllo un numero predefinito di iterazioni.
In aggiunta, sempre in accordo con la seconda forma realizzativa dell?invenzione, le fasi di estrapolare 4 e 5 comprendono la sotto-fase di ripetere tramite l?unit? di controllo un algoritmo di tipo genetico per il numero predefinito di iterazioni al fine di individuare un primo e/o un secondo sottoinsieme di dati storici ottimale per ciascuna iterazione.
Infine, sempre in accordo con la seconda forma realizzativa dell?invenzione, le fasi di estrapolare 4 e 5 comprendono la sotto-fase di selezionare almeno un primo e/o almeno un secondo sottoinsieme di dati storici tra i sottoinsiemi di dati storici individuati nella fase precedente. Preferibilmente, le fasi di estrapolare 4 e 5comprendono la fase di selezionare i primi e/o i secondi sottoinsiemi di dati storici pi? presenti tra quelli ottenuti nella fase precedente.
Secondo un aspetto, prima della fase di definire 6 tramite l?unit? di controllo un vettore di input storico e prima della fase di definire 7 tramite l?unit? di controllo un vettore di output storico, il metodo comprende la fase di aggregare i dati storici del primo e/o del secondo sottoinsieme di dati storici. Vantaggiosamente, tramite aggregazione, i dati storici del primo e/o del secondo sottoinsieme di dati storici sono ridotti alla stessa granularit? temporale. In altre parole, la fase di aggregazione consiste nel suddividere la prima e/o la seconda finestra temporale predefinita in una pluralit? di istanti temporali e nell?associare i dati del primo e/o del secondo sottoinsieme di dati ad un rispettivo istante temporale della prima e/o della seconda finestra temporale predefinita.
Successivamente alla fase di aggregare i dati storici e prima delle fasi di definire 6 e 7, il metodo comprende la fase di verificare se eventuali istanti temporali della prima e/o della seconda finestra temporale predefinita non abbiano ad essi associato alcun dato del primo e/o del secondo sottoinsieme di dati storici ed eseguire quindi un?operazione di interpolazione dei dati del primo e/o del secondo sottoinsieme di dati. Ad esempio, tecniche di interpolazione dei dati possono corrispondere a tecniche standard di data imputation come, ad esempio, interpolazione lineare, polinomiale e spline.
Alternativamente alla fase di interpolazione dei dati, qualora mancassero dati storici del primo e/o del secondo sottoinsieme di dati storici per un intervallo temporale della prima e/o della seconda finestra temporale predefinita superiore ad una soglia critica, il metodo prevede la fase di eseguire tecniche di deep learning tra cui, ad esempio, reti neurali dense e/o ricorrenti, per predire in modo naturale l?evoluzione dei dati storici mancanti, evitando in questo modo di inficiare l?accuratezza dell?apprendimento e della previsione del meccanismo di apprendimento automatico.
Secondo un ulteriore aspetto, sempre prima delle fasi di definire 6 e 7, il metodo comprende la fase di normalizzare i dati del primo e/o del secondo sottoinsieme di dati storici, applicando una standardizzazione o una normalizzazione minimo-massimo.
In accordo con la forma realizzativa preferita dell?invenzione, la fase di analizzare 12 il vettore di output di predizione per definire il consumo di risorse dell?infrastruttura telefonica comprende la sottofase di definire una pluralit? di coefficienti rappresentativi del consumo di risorse dell?infrastrutture telefonica.
Ancora in accordo con la forma realizzativa preferita dell?invenzione, prima della fase di eseguire 14 l?algoritmo di allocazione ottimale di risorse, il metodo comprende la fase di definire un numero di macchine virtuali da allocare e la fase di definire un numero di host potenzialmente utilizzabili per l?allocazione delle risorse.
Dopo aver definito il numero di macchine virtuali da allocare e il numero di host potenzialmente utilizzabili e prima della fase di eseguire 14, il metodo comprende la fase di definire una matrice comprendente una pluralit? di variabili binarie. Tale matrice ? quindi una matrice binaria. Il numero delle variabili binarie ? pari al prodotto tra il numero di macchine virtuali da allocare e il numero di host. Preferibilmente, la matrice ha un numero di righe pari al numero delle macchine virtuali da allocare e un numero di colonne pari al numero degli host.
Successivamente alla fase di definire la matrice e prima della fase di eseguire 14, il metodo comprende la fase di definire una pluralit? di vincoli elaborando la pluralit? di coefficienti rappresentativi del consumo di risorse dell?infrastruttura telefonica. I vincoli corrispondono alle condizioni che devono essere soddisfatte per le macchine virtuali e le risorse hardware che andranno ad ospitarle. Preferibilmente, tali vincoli corrispondono a disequazioni definite a partire dalle variabili binarie delle righe e delle colonne della matrice.
Preferibilmente i vincoli sono di tipo lineare. Ad esempio, un vincolo lineare consiste nell?imporre che la sommatoria lungo una colonna della matrice delle variabili binarie per le corrispondenti risorse di ciascuna macchina virtuale sia minore delle risorse computazioni che l?host corrispondente a tale colonna pu? fornire, per garantire che l?infrastruttura non sia sovraccaricata. Ancora ad esempio, in maniera analoga possono essere definiti ulteriori vincoli lineari per le risorse di memoria, storage e banda di rete. Sempre ad esempio, un vincolo lineare pu? corrispondere ad un vincolo di affinit? tra le macchine virtuali di una stessa VNF, per cui le macchine virtuali devono essere allocate sullo stesso host per minimizzare la latenza durante la comunicazione tra di esse.
Ancora preferibilmente, oltre ai vincoli lineari il metodo prevede di definire vincoli non lineari tra le macchine virtuali e le VFN. Nel caso in cui il metodo preveda di definire anche vincoli non lineari, il metodo comprende anche la fase di definire variabili addizionali e vincoli aggiuntivi al fine di linearizzare i vincoli non lineari. Ad esempio, un vincolo non lineare corrisponde ad un vincolo di anti-affinit? tra le macchine virtuali di una stessa VNF, per cui le macchine virtuali devono essere allocate su host diversi, ad esempio, per aumentare la robustezza dell?infrastruttura avendo a disposizione repliche (indipendenti) di alcuni dei suoi componenti critici.
Sempre ad esempio, un ulteriore vincolo pu? corrispondere ad un vincolo di affinit? e anti-affinit? tra VNF diverse, per cui le macchine virtuali di VNF diverse devono essere incluse tutte nello stesso host o tutte su host diversi, rispettivamente. Infine, ancora ad esempio, un ulteriore vincolo pu? corrispondere ad un vincolo di affinit? a livello cluster, per cui le macchine virtuali di ogni VNF devono essere allocate sugli host contenuti nello stesso enclosure.
In accordo con la forma realizzativa preferita dell?invenzione, la fase di eseguire 14 l?algoritmo di allocazione ottimale di risorse comprende la sottofase di eseguire l?algoritmo di allocazione ottimale di risorse fornendo in ingresso la matrice e la pluralit? di vincoli per ottenere in uscita il valore binario da attribuire a ciascuna variabile binaria della matrice. Preferibilmente, in caso di definizioni di vincoli non lineari, anche le variabili addizionali e i vincoli aggiuntivi sono forniti in ingresso all?algoritmo di allocazione ottimale di risorse.
Dopo aver eseguito l?algoritmo di allocazione ottimale di risorse, la fase di eseguire 14 comprende la sottofase di analizzare i valori binari delle variabili binarie della matrice per ottenere il vettore di ottimizzazione.
Ancora in accordo con la forma realizzativa preferita dell?invenzione, la fase di eseguire 14 l? algoritmo di allocazione ottimale di risorse comprende le sottofasi di definire un tempo limite di esecuzione o un numero massimo di iterazioni e di fornire un risolutore.
Dopo aver fornito il risolutore, la fase di eseguire 14 comprende la fase di eseguire l?algoritmo di allocazione ottimale di risorse mediante il risolutore in modo tale che il tempo di esecuzione del risolutore sia inferiore al tempo limite di esecuzione o che il numero di iterazioni eseguite dal risolutore sia inferiore al numero massimo di iterazioni.
Claims (9)
1. Metodo per la gestione di risorse di un?infrastruttura per la network function virtualization, detto metodo comprendendo le seguenti fasi:
- fornire (1) un primo database contenente dati storici di gestione dell?infrastruttura telefonica;
- fornire (2) un?unit? di controllo in comunicazione di segnale con il database;
- fornire (3) un meccanismo di apprendimento automatico;
- estrapolare (4) tramite l?unit? di controllo almeno un primo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica, detto primo sottoinsieme di dati storici essendo relativo ad una prima finestra temporale predefinita;
- estrapolare (5) tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica, detto secondo sottoinsieme di dati storici essendo relativo ad una seconda finestra temporale predefinita;
- definire (6) tramite l?unit? di controllo un vettore di input storico comprendente i dati storici del primo sottoinsieme di dati storici;
- definire (7) tramite l?unit? di controllo un vettore di output storico comprendente i dati storici del secondo sottoinsieme di dati storici;
- addestrare (8) tramite l?unit? di controllo il meccanismo di apprendimento automatico per ottenere in uscita il vettore di output storico fornendo in ingresso al meccanismo di apprendimento automatico il vettore di input storico;
- acquisire (9) tramite l?unit? di controllo almeno un sottoinsieme di dati attuali di gestione dell?infrastruttura telefonica, detti dati attuali essendo relativi ad una finestra temporale attuale;
- definire (10) un vettore di input attuale comprendente detto sottoinsieme di dati attuali; - fornire (11) il vettore di input attuale in ingresso al meccanismo di apprendimento automatico addestrato per ottenere un vettore di output di predizione;
detto metodo essendo caratterizzato dal fatto di comprendere le ulteriori fasi di:
- analizzare (12) il vettore di output di predizione per definire il consumo di risorse dell?infrastruttura telefonica;
- fornire (13) un algoritmo di allocazione ottimale di risorse;
- eseguire (14) l?algoritmo di allocazione ottimale di risorse fornendo in ingresso il consumo di risorse dell?infrastruttura telefonica per ottenere in uscita un vettore di ottimizzazione, detto vettore di ottimizzazione essendo rappresentativo del numero di risorse fisiche da allocare per le macchine virtuali e delle risorse impegnate da ciascuna macchina virtuale per una gestione ottimale delle risorse dell?infrastruttura telefonica.
2. Metodo in accordo con la rivendicazione 1, in cui:
- i dati storici di gestione dell?infrastruttura telefonica comprendono:
- dati storici di monitoraggio dell?infrastruttura telefonica relativi al livello di utilizzo delle risorse dell?infrastruttura telefonica e/o al verificarsi in essa di eventuali condizioni di errore o anomalie;
- dati storici di monitoraggio dell?applicazione dell?infrastruttura telefonica relativi al livello di utilizzo dell?applicazione dell?infrastruttura telefonica, alle sue caratteristiche di performance o affidabilit? e/o ad eventuali condizioni di errore o anomalie verificatesi in essa;
- dati storici di allocazione nel tempo di macchine virtuali sugli elementi dell?infrastruttura telefonica.
- la fase di estrapolare (4) comprende estrapolare un primo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica comprendente dati storici di monitoraggio dell?infrastruttura telefonica e/o dati storici di monitoraggio dell?applicazione dell?infrastruttura telefonica e/o dati storici di allocazione.
3. Metodo in accordo con la rivendicazione 1 o 2,
- in cui prima delle fasi (6) e (7), il metodo comprende le fasi di:
- fornire un database di business contente dati di previsione relativi all?infrastruttura telefonica;
- estrapolare un primo e un secondo sottoinsieme di dati di previsione relativi rispettivamente alla prima finestra temporale predefinita e alla seconda finestra temporale predefinita;
- in cui la fase di definire (6) comprende la sottofase di definire il vettore di input storico come comprendente il primo sottoinsieme di dati storici e il primo sottoinsieme di dati di previsione; e
- in cui la fase di definire (7) comprende la sottofase di definire il vettore di output storico come comprendente il primo sottoinsieme di dati storici e il secondo sottoinsieme di dati di previsione.
4. Metodo in accordo con una qualsiasi delle rivendicazioni da 1 a 3, in cui la fase di estrapolare (5) tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica comprende la fase di:
- selezionare tramite l?unit? di controllo un secondo sottoinsieme di dati storici relativo alla seconda finestra temporale predefinita, detta seconda finestra temporale predefinita essendo distinta dalla prima finestra temporale predefinita.
5. Metodo in accordo con una qualunque delle rivendicazioni da 1 a 4, in cui la fase di estrapolare (4) tramite l?unit? di controllo almeno un primo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica e la fase di estrapolare (5) tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica comprendono la sotto-fase di:
- applicare tramite l?unit? di controllo un algoritmo di tipo genetico per individuare almeno un primo e/o almeno un secondo sottoinsieme di dati storici ottimale da fornire al meccanismo di apprendimento automatico.
6. Metodo in accordo con una qualunque delle rivendicazioni da 1 a 4, in cui la fase di estrapolare (4) tramite l?unit? di controllo almeno un primo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica e la fase di estrapolare (5) tramite l?unit? di controllo almeno un secondo sottoinsieme di dati storici da detti dati storici di gestione dell?infrastruttura telefonica comprendono le sotto-fasi di:
- definire tramite l?unit? di controllo un numero predefinito di iterazioni;
- ripetere tramite l?unit? di controllo un algoritmo di tipo genetico per il numero predefinito di iterazioni al fine di individuare un primo e/o un secondo sottoinsieme di dati storici ottimale per ciascuna iterazione;
- selezionare almeno un primo e/o almeno un secondo sottoinsieme di dati storici tra i sottoinsiemi di dati storici individuati nella fase precedente.
7. Metodo in accordo con una qualunque delle rivendicazioni da 1 a 6, in cui la fase di analizzare (12) il vettore di output di predizione per definire il consumo di risorse dell?infrastruttura telefonica comprende la sottofase di definire una pluralit? di coefficienti rappresentativi del consumo di risorse dell?infrastrutture telefonica.
8. Metodo in accordo con la rivendicazione 7, in cui prima della fase di eseguire (14) l?algoritmo di allocazione ottimale di risorse, il metodo comprende le seguenti fasi:
- definire un numero di macchine virtuali da allocare;
- definire un numero di host potenzialmente utilizzabili per l?allocazione delle risorse; - definire una matrice comprendente una pluralit? di variabili binarie, il numero delle variabili binarie essendo pari al prodotto tra il numero di macchine virtuali da allocare e il numero di host;
- definire una pluralit? di vincoli elaborando la pluralit? di coefficienti rappresentativi del consumo di risorse dell?infrastruttura telefonica;
e in cui la fase di eseguire (14) l?algoritmo di allocazione ottimale di risorse comprende: - la sottofase di eseguire l?algoritmo di allocazione ottimale di risorse fornendo in ingresso la matrice e la pluralit? di vincoli per ottenere in uscita il valore binario da attribuire a ciascuna variabile binaria della matrice;
- analizzare i valori binari delle variabili binarie della matrice per ottenere il vettore di ottimizzazione.
9. Metodo in accordo con una qualsiasi delle rivendicazioni da 1 a 8, in cui la fase di eseguire (14) l? algoritmo di allocazione ottimale di risorse comprende le seguenti sottofasi: - definire un tempo limite di esecuzione o un numero massimo di iterazioni;
- fornire un risolutore;
- eseguire l?algoritmo di allocazione ottimale di risorse mediante il risolutore in modo tale che il tempo di esecuzione del risolutore sia inferiore al tempo limite di esecuzione o che il numero di iterazioni eseguite dal risolutore sia inferiore al numero massimo di iterazioni.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102020000031034A IT202000031034A1 (it) | 2020-12-16 | 2020-12-16 | Metodo per la gestione di risorse di un’infrastruttura per la network function virtualization |
| EP21214695.5A EP4016963A1 (en) | 2020-12-16 | 2021-12-15 | Method of managing resources of an infrastructure for network function virtualization |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102020000031034A IT202000031034A1 (it) | 2020-12-16 | 2020-12-16 | Metodo per la gestione di risorse di un’infrastruttura per la network function virtualization |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT202000031034A1 true IT202000031034A1 (it) | 2022-06-16 |
Family
ID=74858581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102020000031034A IT202000031034A1 (it) | 2020-12-16 | 2020-12-16 | Metodo per la gestione di risorse di un’infrastruttura per la network function virtualization |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP4016963A1 (it) |
| IT (1) | IT202000031034A1 (it) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170126792A1 (en) * | 2015-11-02 | 2017-05-04 | Telefonaktiebolaget L M Ericsson (Publ) | System and methods for intelligent service function placement and autoscale based on machine learning |
| US20200019841A1 (en) * | 2018-07-12 | 2020-01-16 | Vmware, Inc. | Neural network model for predicting usage in a hyper-converged infrastructure |
| US20200118039A1 (en) * | 2018-10-10 | 2020-04-16 | Oracle International Corporation | Out of band server utilization estimation and server workload characterization for datacenter resource optimization and forecasting |
| CN107995039B (zh) * | 2017-12-07 | 2020-11-03 | 福州大学 | 面向云软件服务的资源自学习与自适应分配方法 |
-
2020
- 2020-12-16 IT IT102020000031034A patent/IT202000031034A1/it unknown
-
2021
- 2021-12-15 EP EP21214695.5A patent/EP4016963A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170126792A1 (en) * | 2015-11-02 | 2017-05-04 | Telefonaktiebolaget L M Ericsson (Publ) | System and methods for intelligent service function placement and autoscale based on machine learning |
| CN107995039B (zh) * | 2017-12-07 | 2020-11-03 | 福州大学 | 面向云软件服务的资源自学习与自适应分配方法 |
| US20200019841A1 (en) * | 2018-07-12 | 2020-01-16 | Vmware, Inc. | Neural network model for predicting usage in a hyper-converged infrastructure |
| US20200118039A1 (en) * | 2018-10-10 | 2020-04-16 | Oracle International Corporation | Out of band server utilization estimation and server workload characterization for datacenter resource optimization and forecasting |
Non-Patent Citations (2)
| Title |
|---|
| SEONGBOK BAIK KT REPUBLIC OF KOREA: "Machine learning in 5G and future networks: use cases and basic requirements;ML5G-I-118-R7", vol. 1, 18 February 2019 (2019-02-18), pages 1 - 42, XP044262758, Retrieved from the Internet <URL:https://extranet.itu.int/sites/itu-t/focusgroups/ML5G/input/ML5G-I-118-R7.docx> [retrieved on 20190218] * |
| SUBRAMANYA TEJAS ET AL: "Machine Learning-Driven Scaling and Placement of Virtual Network Functions at the Network Edges", 2019 IEEE CONFERENCE ON NETWORK SOFTWARIZATION (NETSOFT), IEEE, 24 June 2019 (2019-06-24), pages 414 - 422, XP033601982, DOI: 10.1109/NETSOFT.2019.8806631 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4016963A1 (en) | 2022-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Verma et al. | Dynamic resource demand prediction and allocation in multi‐tenant service clouds | |
| CN108009016B (zh) | 一种资源负载均衡控制方法及集群调度器 | |
| US8862744B2 (en) | Optimizing traffic load in a communications network | |
| Sayadnavard et al. | A reliable energy-aware approach for dynamic virtual machine consolidation in cloud data centers | |
| WO2018194836A1 (en) | Systems and methods for proactively and reactively allocating resources in cloud-based networks | |
| US20200019841A1 (en) | Neural network model for predicting usage in a hyper-converged infrastructure | |
| Minarolli et al. | Tackling uncertainty in long-term predictions for host overload and underload detection in cloud computing | |
| US11855909B2 (en) | System and method for managing network resources | |
| US20150378786A1 (en) | Physical resource allocation | |
| Pérez et al. | Assessing sla compliance from palladio component models | |
| WO2009029496A1 (en) | Virtualization planning system | |
| US10841173B2 (en) | System and method for determining resources utilization in a virtual network | |
| EP3179699B1 (en) | A controller for a cloud based service in a telecommunications network, and a method of providing a cloud based service | |
| CN112929187B (zh) | 网络切片管理方法、装置和系统 | |
| Guo et al. | Optimal management of virtual infrastructures under flexible cloud service agreements | |
| US20170063645A1 (en) | Method, Computer Program and Node for Management of Resources | |
| Xue et al. | Managing data center tickets: Prediction and active sizing | |
| Kulshrestha et al. | An efficient host overload detection algorithm for cloud data center based on exponential weighted moving average | |
| Cai et al. | SARM: service function chain active reconfiguration mechanism based on load and demand prediction | |
| Benedetti et al. | Reinforcement learning applicability for resource-based auto-scaling in serverless edge applications | |
| IT202000031034A1 (it) | Metodo per la gestione di risorse di un’infrastruttura per la network function virtualization | |
| US20230403197A1 (en) | Optimizing the transfer of massive amounts of data using AI strategies | |
| De Grande et al. | Predictive dynamic load balancing for large-scale hla-based simulations | |
| Nikbazm et al. | KSN: Modeling and simulation of knowledge using machine learning in NFV/SDN-based networks | |
| De Vleeschauwer et al. | 5Growth Data-driven AI-based Scaling |