WO2022168140A1 - 制御装置、制御方法及びプログラム - Google Patents

制御装置、制御方法及びプログラム Download PDF

Info

Publication number
WO2022168140A1
WO2022168140A1 PCT/JP2021/003659 JP2021003659W WO2022168140A1 WO 2022168140 A1 WO2022168140 A1 WO 2022168140A1 JP 2021003659 W JP2021003659 W JP 2021003659W WO 2022168140 A1 WO2022168140 A1 WO 2022168140A1
Authority
WO
WIPO (PCT)
Prior art keywords
virtual
physical
network
physical network
control device
Prior art date
Application number
PCT/JP2021/003659
Other languages
English (en)
French (fr)
Inventor
賢吾 浦田
薫明 原田
亮太 中村
Original Assignee
日本電信電話株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2022579165A priority Critical patent/JP7521616B2/ja
Priority to US18/274,993 priority patent/US20240314046A1/en
Priority to PCT/JP2021/003659 priority patent/WO2022168140A1/ja
Publication of WO2022168140A1 publication Critical patent/WO2022168140A1/ja

Links

Images

Classifications

    • 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

Definitions

  • the present invention relates to a control device, control method and program.
  • NFV Network Function Visualization
  • VR virtual network resources
  • VNF virtual network functions
  • Non-Patent Document 1 proposes a method of VNF allocation and route determination that not only satisfies the communication performance of the entire communication network such as communication delay, but also minimizes the power consumption of the entire communication network.
  • VNF allocation that is robust against the uncertainty of the traffic volume and route determination methods have been proposed.
  • Non-Patent Document 1 does not consider the existence of uncertainty in the amount of traffic related to services, problems such as deterioration of communication performance and occurrence of congestion may occur.
  • the above Non-Patent Documents 1 and 2 do not consider that the communication network is operated with renewable energy, for example, the cost increase due to the purchase of insufficient power and the environmental load due to the decrease in the utilization rate of renewable energy It is thought that problems such as an increase may occur.
  • An embodiment of the present invention has been made in view of the above points, and aims to realize robust virtual network control against uncertainties in traffic volume and uncertainties in renewable energy.
  • a control device that embeds a virtual network that provides services on a physical network, and includes: a first acquisition unit that acquires a predicted value of the amount of power including renewable energy that can be used by each physical node; a second acquisition unit that acquires information about the physical network; and a predicted value of the traffic volume and a 2-stage robust optimization problem related to allocation of virtual nodes constituting the virtual network to physical nodes and route determination between the virtual nodes based on the predicted value of the power amount and the information on the physical network.
  • a solution calculation unit that calculates an optimal solution, and a control unit that controls the virtual network embedded in the physical network based on allocation of virtual nodes and route determination represented by the optimal solution.
  • FIG. 2 is a diagram for explaining an example of embedding a service in a physical network
  • FIG. It is a figure which shows an example of the hardware constitutions of the control apparatus which concerns on this embodiment. It is a figure showing an example of functional composition of a control device concerning this embodiment.
  • 6 is a flowchart showing an example of the flow of virtual network control processing according to the embodiment; 7 is a flowchart showing an example of the flow of control solution calculation processing according to the present embodiment.
  • a control device 10 capable of realizing robust virtual network control (VNF allocation and route determination) against uncertainty of traffic volume and uncertainty of renewable energy
  • VNF allocation and route determination a communication network composed of physical servers and physical links that require power
  • a communication network in which VNFs are virtual nodes and routes between VNFs are virtual links is also called a virtual network.
  • a virtual network defined by a combination of a start point (e.g., user location, etc.) and an end point (e.g., server location, etc.) and a VNF (e.g., firewall, etc.) used when providing services, and provided by this virtual network , and consider the problem of embedding N s services into a physical network. That is, consider the problem of embedding N s virtual networks each providing N s services into a physical network.
  • a virtual link can be divided into any number of paths and can be embedded in any proportion of one or more physical links connected to a physical node.
  • g(N, L) denote the topology of a physical network, where N is the set of physical nodes and L is the set of physical links.
  • I n ⁇ L be a set of physical links flowing into physical node n ⁇ N
  • O n ⁇ L be a set of physical links flowing out from physical node n ⁇ N.
  • S be a set of services
  • V be a set of VNF types.
  • g, N, L, S, V, etc. are written in script characters (cursive), but unless misunderstandings occur, they are written in normal characters in the text of the specification.
  • O n and I n are written in blackboard bold letters (outlined letters), but are shown in normal letters in the text of the specification unless misunderstandings occur. The same applies to other cursive characters and hollow characters.
  • each service is written as g(V s , E s ).
  • V s ⁇ V is the set of VNFs for the sth service
  • Es is the set of virtual links for the sth service. Note that V includes the start node and end node of the service.
  • Figure 1 shows an example of embedding a service in a physical network.
  • the s-th service g (V s , E s ) composed of the starting point ⁇ VNF1 ⁇ VNF2 ⁇ VNF3 ⁇ the end point and the s′-th service g (V s , E s ) composed of the starting point ⁇ VNF2 ⁇ VNF3 ⁇ VNF4 ⁇ end point is embedded in the physical network g (N, L ).
  • the sth service g(V s , E s ) is embedded in physical node 1 ⁇ physical node 3 ⁇ physical node 4 ⁇ physical node 2 ⁇ physical node 6.
  • the s'-th service g(V s' , E s' ) is embedded in physical node 3 ⁇ physical node 5 ⁇ physical node 6 ⁇ physical node 2 ⁇ physical node 4.
  • ⁇ s be the traffic volume generated by the s-th service (hereinafter also referred to as “service s”).
  • the traffic volume ⁇ s includes, for example, the data transfer rate bps.
  • the traffic volume ⁇ s can be obtained as a predicted value by some prediction method. For example, as a forecasting method, build a time series model such as an autoregressive model that predicts future traffic volume from time series data of past traffic volume, and use this time series model to predict future traffic volume. method to obtain.
  • a method of using the average and variance of the traffic volume for the past several days as prediction values is also conceivable.
  • the traffic volume ⁇ s is a predicted value regardless of which prediction method is used, so there is uncertainty (in other words, the traffic volume ⁇ s is uncertain information). Therefore, it is necessary to consider the embedding problem of the virtual network based on the uncertainty of the traffic volume ⁇ s .
  • the amount of power required by the VNFs and paths used in each service (for example, average power consumption per hour Wh).
  • the amount of power required by each VNF and route utilizes the maximum power consumption and average power consumption obtained by pre-verification before providing services.
  • renewable energy and contract power are assumed as power sources to be supplied to each physical node. Since the amount of power supplied by renewable energy is affected by the natural environment, etc., there is uncertainty in the predicted value. For this reason, there is also uncertainty in the maximum amount of power ⁇ n (hereinafter referred to as the maximum amount of power used) that is expected to be used by each physical node n. Therefore, it is necessary to consider the embedding problem of the virtual network based on the uncertainty of the maximum power consumption ⁇ n .
  • ⁇ s ⁇ R + is the deviation from the nominal value of the amount of traffic generated by the service s
  • ⁇ n ⁇ R + is the deviation from the nominal value of the maximum power consumption of the physical node n. parameter.
  • the parameter ⁇ ⁇ is a parameter that adjusts how much deviation exists from the nominal value.
  • the parameter ⁇ ⁇ is a parameter that adjusts how much deviation exists from the nominal value.
  • the total cost of the entire virtual network is calculated for the uncertainty of the traffic volume and the uncertainty of the maximum power consumption of the physical nodes described by the above uncertainty sets (1) and (2), respectively.
  • x n v,s is a binary variable that takes 1 if the VNF v ⁇ V s of service s is assigned to physical node n ⁇ N and 0 otherwise.
  • y l e,s ⁇ R (l is a lowercase letter L) is a continuous variable that takes 0 or more and 1 or less, and represents the ratio of embedding the virtual link e ⁇ E s of the service s in the physical link l ⁇ L.
  • c n v,s and b l e,s (l with lower case L) represent cost factors associated with VNF allocation and routing, respectively.
  • the objective function value represents the total power consumption of the entire physical network. Also, for example, if c n v,s and b l e,s are the processing time costs associated with using the VNF and path, respectively, the objective function value represents the total processing time of the service.
  • Inequality (3b) expresses the constraint on the maximum power consumption of the physical node, and d n v,s is the power consumption coefficient when VNF v ⁇ V s is assigned to physical node n.
  • Equation (3c) expresses that each VNF of each service can only be assigned to one physical node.
  • inequality (3d) means that multiple VNFs cannot be assigned to one physical node in one service. This constraint condition (3d) is seemingly severe and seems to narrow the scope of practical application. Handling allows more than one VNF to be assigned to one physical node.
  • inequality (4b) is the capacity constraint on the physical link
  • ⁇ l (l is lower case L) represents the maximum capacity of physical link l ⁇ L.
  • the 2-stage robust optimization problem formulated by (3a)-(3e) and (4a)-(4c) is divided into two steps to calculate the solution.
  • the VNF allocation x n v,s is determined in a scenario where the traffic volume ⁇ s is unknown and the maximum power consumption ⁇ n is the worst.
  • the virtual link embedding ratio y l e,s (that is, the route) is determined with the traffic volume ⁇ s known.
  • This yields a control solution i.e., VNF allocation x n v,s and routing y l e,s ) that takes into account traffic volume uncertainty and renewable energy uncertainty, and is robust to these uncertainties. virtual network control can be realized.
  • a specific solution-finding procedure will be described below.
  • a solution algorithm for the 2-stage robust optimization problem formulated in (3a) to (3e) and (4a) to (4c) is constructed based on the C&CG (Column-and-constraint generation) method.
  • This C&CG method is an algorithm for decomposing an original problem into a master problem and a sub-problem and alternately solving them to obtain a solution to the original problem.
  • (3a) to (3e) are collectively written as (3).
  • (4a) to (4c) are collectively written as (4).
  • the same method shall be used when a plurality of formula numbers are written collectively.
  • the master program in step K is defined as follows.
  • ⁇ s (k) is the solution of the sub-problem (described later) obtained up to step K-1.
  • cursive K is the solution of the sub-problem (described later) obtained up to step K-1.
  • the optimal solution of the master problem is assumed to be xn *v,s (K), ⁇ * (K).
  • x n *v,s (K) is used to solve the sub-problem in step K
  • ⁇ * (K) is the original problem (i.e., the 2 ⁇ It is used to derive the lower bound of the optimal solution of the stage robust optimization problem).
  • the master problem is xn *v,s (K), ⁇ * (K).
  • step K the sub-problems in step K are defined as follows.
  • subproblem (6) above is a bilevel optimization problem, it is difficult to solve it in its current form. So, to avoid this, we convert the inner minimization problem of subproblem (6) into a dual problem, resulting in the following single-level maximization problem.
  • ⁇ l ⁇ R, ⁇ n e,s ⁇ R , ⁇ l e,s ⁇ R are the dual represents a variable.
  • the maximization problem (7) is a nonlinear optimization problem because there is a product of ⁇ s and ⁇ l .
  • the maximization problem (7) is solved by the primal dual interior point method.
  • ⁇ s * (K) be the optimum solution of the maximization problem (7)
  • Q(K) be the objective function value corresponding to this optimum solution.
  • FIG. 2 is a diagram showing an example of the hardware configuration of the control device 10 according to this embodiment.
  • the control device 10 is realized by the hardware configuration of a general computer or computer system, and includes an input device 101, a display device 102, an external I/F 103, and a communication I/F. F 104 , processor 105 and memory device 106 . Each of these pieces of hardware is communicably connected via a bus 107 .
  • the input device 101 is, for example, a keyboard, mouse, touch panel, or the like.
  • the display device 102 is, for example, a display. Note that the control device 10 may not have at least one of the input device 101 and the display device 102, for example.
  • the external I/F 103 is an interface with an external device such as the recording medium 103a.
  • the control device 10 can read from and write to the recording medium 103 a via the external I/F 103 .
  • Examples of the recording medium 103a include CD (Compact Disc), DVD (Digital Versatile Disk), SD memory card (Secure Digital memory card), USB (Universal Serial Bus) memory card, and the like.
  • the communication I/F 104 is an interface for connecting the control device 10 to a communication network.
  • the processor 105 is, for example, various arithmetic units such as a CPU (Central Processing Unit) and a GPU (Graphics Processing Unit).
  • the memory device 106 is, for example, various storage devices such as HDD (Hard Disk Drive), SSD (Solid State Drive), RAM (Random Access Memory), ROM (Read Only Memory), and flash memory.
  • the control device 10 can implement virtual network control processing, which will be described later.
  • the hardware configuration shown in FIG. 2 is an example, and the control device 10 may have another hardware configuration.
  • the controller 10 may have multiple processors 105 and may have multiple memory devices 106 .
  • FIG. 3 is a diagram showing an example of the functional configuration of the control device 10 according to this embodiment.
  • the control device 10 has a predicted value collection unit 201, a physical network information collection unit 202, a control solution calculation unit 203, and a control unit 204. Each of these units is realized by processing that one or more programs installed in the control device 10 cause the processor 105 to execute.
  • the prediction value collection unit 201 collects the prediction value of the traffic volume of each service and the prediction value of the maximum power consumption in each physical node. That is, the prediction value collection unit 201 acquires the nominal value of the traffic volume of each service and its deviation, and the nominal value of the maximum power consumption in each physical node and its deviation.
  • the predicted value of the traffic volume of each service and the predicted value of the maximum power consumption in each physical node can be obtained by a prediction algorithm or the like using a time series model.
  • the prediction value collection unit 201 uses some prediction algorithm to obtain the prediction value of the traffic volume and the maximum power consumption up to one day ahead. and get.
  • these predictions are the mean and variance of some sampling interval.
  • the average value should be set for the nominal value
  • the variance should be set for the deviation of the nominal value.
  • the sampling interval is, for example, a time interval such as one minute or one hour, which is set in advance according to control specifications for VNF allocation and route determination.
  • the physical network information collection unit 202 collects information about the topology of the physical network and various parameters (eg, power consumption coefficient, etc.).
  • control solution calculation unit 203 Information and various parameters collected by the physical network information collection unit 202 are passed to the control solution calculation unit 203 .
  • the control solution calculation unit 203 uses the information collected by the prediction value collection unit 201 and the information collected by the physical network information collection unit 202 to solve the 2-stage robust optimization problems (3) and (4). run an algorithm that That is, the control solution calculation unit 203 alternately and repeatedly solves the master problem (5) and the sub-problem (7) in the first step to calculate the VNF allocation x n v,s , and then in the second step Compute the path determination y l e,s by solving subproblem (6). This yields the VNF assignment x n v,s and routing y l e,s representing the optimal control solution for the original problems (3) and (4).
  • the control solution calculation unit 203 includes a first problem-solving unit 211 and a second problem-solving unit 212 .
  • the first problem-solving section 211 calculates the solution of the master problem (5) and also calculates the lower bounds of the optimal solutions of the original problems (3) and (4).
  • the second problem-solving unit 212 calculates the solutions of sub-problem (7) and sub-problem (6), and also calculates the upper bounds of the optimal solutions of the original problems (3) and (4). Note that, for example, when performing the above-described scheduling, the control solution calculation unit 203 divides the 2-stage robust optimization problems (3) and (4) for each sampling time interval, and independently performs a solution-finding algorithm for each. Just run it.
  • the control unit 204 controls the virtual network based on the control solution calculated by the control solution calculation unit 203. This embeds the VNF allocation and routing represented by the optimal control solution into the physical network (ie, changes to the optimal VNF allocation and routing).
  • the case of scheduling VNF allocation and route determination for one day in the future has been described, but this is one application example and is not limited to this.
  • it can be similarly applied to the case of calculating the optimum VNF allocation and route in real time and dynamically controlling the virtual network.
  • the control solution calculation unit 203 uses the solution algorithm , and the control unit 204 may update the VNF assignments and routes.
  • the prediction value collection unit 201 collects a prediction value (nominal value and its deviation) of the traffic volume of each service and a prediction value (nominal value and its deviation) of the maximum power consumption in each physical node (step S101).
  • the physical network information collection unit 202 collects information about the topology of the physical network and various parameters (eg, power consumption coefficient, etc.) (step S102). However, if the topology of the physical network and the values of various parameters have not changed since the previous collection, this step does not have to be executed.
  • various parameters eg, power consumption coefficient, etc.
  • control solution calculation unit 203 executes an algorithm for solving the 2-stage robust optimization problems (3) and (4) using the information collected in steps S102 and S103 described above, and optimizes the control A solution is calculated (step S103). Details of this step will be described later.
  • control unit 204 controls the virtual network based on the control solution calculated in step S103 (step S104).
  • FIG. 5 is a flowchart showing an example of the flow of control solution calculation processing according to the present embodiment.
  • the initial value ⁇ s (0) may be set to any value belonging to ⁇ s .
  • the parameter ⁇ >0 for determining the end condition of the first stage may be set to a finite value.
  • control solution calculation unit 203 solves the master problem (5) by the first problem solving unit 211, and obtains the optimal solutions x n *v, s (K), ⁇ * (K) and ⁇ LB (K). is obtained (step S202).
  • control solution calculator 203 uses the preset parameter ⁇ (or the parameter ⁇ set in step S201 above) to determine whether ⁇ UB (K) ⁇ LB (K) ⁇ is satisfied. It is determined whether or not (step S204).
  • step S204 If it is not determined in step S204 that ⁇ UB (K) ⁇ LB (K) ⁇ is satisfied, the control solution calculator 203 adds 1 to step K to update step K (step S205 ) and returns to step S202. As a result, steps S202 and S203 are repeatedly executed until ⁇ UB (K) ⁇ LB (K) ⁇ is satisfied.
  • step S204 if it is determined in step S204 that ⁇ UB (K) ⁇ LB (K) ⁇ is satisfied, the control solution calculation unit 203 fixes ⁇ s * (K) and then sets the second solves the subproblem (6) by the problem solving unit 212, and obtains the optimum solution y l *e,s (step S206).
  • step S206 it is necessary to solve subproblem (6), but this optimization problem can be reduced to a simple linear programming problem with respect to y l e,s, so that it can be easily solved. .
  • control device 10 can perform VNF allocation and route determination robust against the uncertainty of traffic volume and the uncertainty of renewable energy through the above-described virtual network control processing.
  • VNF allocation and route determination are performed using the predicted value of traffic volume and the predicted value of maximum power consumption including renewable energy, as long as there is a prediction error in those predicted values, communication performance will deteriorate.
  • problems such as an increase in costs due to the purchase of insufficient power and an increase in environmental load due to a decrease in the utilization rate of renewable energy can occur.
  • the virtual network control processing according to the present embodiment takes into consideration the presence of uncertainty in prediction, it is possible to suppress the deterioration of communication performance and the occurrence of congestion, as well as the occurrence and regeneration of power shortage purchase costs.
  • VNF allocations can be routed to prevent underutilization of available energy.
  • the virtual network control processing (particularly, control solution calculation processing) according to the present embodiment is a solution-finding algorithm based on mathematical optimization theory called 2-stage robust optimization.
  • This theory performs two-stage robust optimization based on a decision-making process, and it is known that a solution with less conservativeness than simple robust optimization can be obtained. This means that even if there is an error in the prediction of traffic volume and renewable energy, the deterioration of communication performance and the occurrence of congestion can be suppressed, as well as the cost of purchasing power shortages and the decline in the utilization rate of renewable energy. This means that less conservative VNF assignment and routing is possible while preventing.
  • Control Device 101 Input Device 102
  • Display Device 103 External I/F 103a recording medium
  • communication I/F 105
  • processor memory device 107
  • bus 201 predicted value collection unit 202 physical network information collection unit 203
  • control solution calculation unit 204 control unit 211 first problem solving unit 212 second problem solving unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一実施形態に係る制御装置は、サービス提供を実現する仮想ネットワークを物理ネットワーク上に埋め込む制御装置であって、前記サービスのトラヒック量の予測値と、前記物理ネットワークを構成する各物理ノードが使用可能な再生可能エネルギーを含む電力量の予測値とを取得する第１の取得部と、前記物理ネットワークに関する情報を取得する第２の取得部と、前記トラヒック量の予測値と前記電力量の予測値と前記物理ネットワークに関する情報とに基づいて、前記仮想ネットワークを構成する仮想ノードの物理ノードへの割当と前記仮想ノード間の経路決定とに関する２－ｓｔａｇｅロバスト最適化問題の最適解を算出する解算出部と、前記最適解が表す仮想ノードの割当と経路決定とに基づいて、前記物理ネットワークに埋め込まれた仮想ネットワークを制御する制御部と、を有する。

Description

制御装置、制御方法及びプログラム
　本発明は、制御装置、制御方法及びプログラムに関する。
　近年、仮想化技術であるＮＦＶ（Network Function Visualization）の発展に伴い、多種多様な仮想ネットワーク資源（ＶＲ：Virtual Resource）や仮想ネットワーク機能（ＶＮＦ：Virtual Network Function）を柔軟に組み合わせることで、膨大な種類のネットワークサービスの提供が可能となっている。このようなサービスの提供を実現するためには、サービス毎にＶＲやＶＮＦを物理リソースに適切に割り当てる必要がある。また、それに加えて、Ｅｎｄ－ｔｏ－Ｅｎｄの経路も適切に決定する必要がある。このため、ＮＦＶ環境下でＶＮＦ割当と経路決定を行う手法が従来から提案されている。
　例えば、非特許文献１では、通信ネットワーク全体の通信遅延等の通信性能を満足するだけでなく、通信ネットワーク全体の消費電力量を最小化するようなＶＮＦ割当や経路決定を行う手法が提案されている。また、例えば、非特許文献２では、サービスに関するトラヒック量に不確かさが存在するという仮定の下で、通信ネットワーク全体の消費電力量を考慮して、トラヒック量の不確かさに対してロバストなＶＮＦ割当と経路決定を行う手法が提案されている。
　ところで、近年では、環境負荷を低減するために、再生可能エネルギーを導入する動きが世界的に進められている。このことは、仮想ネットワーク環境の運用においても例外ではなく、通信ネットワークに供給される電力量も再生可能エネルギーの割合が多くなっていくことが予想される。一方で、再生可能エネルギーの供給電力量は自然環境等に左右されるため、通信ネットワークが使用可能な電力量は予測誤差を含んだ予測値として取得されると想定される。すなわち、再生可能エネルギーの電力量は不確かさが存在する情報として取得されると想定される。
M.M. Tajiki, S Salsano, L. Chiaraviglio, M. Shojafar, and B. Akbari, Joint energy efficient and QoS-aware path allocation and VNF placement for service function chaining, IEEE Transactions on Network and service management, 2019 D. Johansson, A. Kassler, and J. Taheri, On the energy cost of robustness and resiliency for virtual network function placement, 2018 IEEE Conference on Network Function Visualization and Software Defined Networks, 2018
　しかしながら、上記の非特許文献１ではサービスに関するトラヒック量に不確かさが存在することを考慮していないため、例えば、通信性能の劣化や輻輳の発生等の問題が発生し得る。また、上記の非特許文献１及び２では通信ネットワークが再生可能エネルギーで運用されることを考慮していないため、例えば、不足電力の購入によるコスト増加や再生可能エネルギーの利用率低下による環境負荷の増大等の問題が発生し得ると考えられる。
　したがって、トラヒック量と再生可能エネルギーの両者の不確かさを考慮したＶＮＦ割当と経路決定を行う必要があると考えられる。
　本発明の一実施形態は、上記の点に鑑みてなされたもので、トラヒック量の不確かさと再生可能エネルギーの不確かとに対してロバストな仮想ネットワーク制御を実現することを目的とする。
　上記目的を達成するため、一実施形態に係る制御装置は、サービス提供を実現する仮想ネットワークを物理ネットワーク上に埋め込む制御装置であって、前記サービスのトラヒック量の予測値と、前記物理ネットワークを構成する各物理ノードが使用可能な再生可能エネルギーを含む電力量の予測値とを取得する第１の取得部と、前記物理ネットワークに関する情報を取得する第２の取得部と、前記トラヒック量の予測値と前記電力量の予測値と前記物理ネットワークに関する情報とに基づいて、前記仮想ネットワークを構成する仮想ノードの物理ノードへの割当と前記仮想ノード間の経路決定とに関する２－ｓｔａｇｅロバスト最適化問題の最適解を算出する解算出部と、前記最適解が表す仮想ノードの割当と経路決定とに基づいて、前記物理ネットワークに埋め込まれた仮想ネットワークを制御する制御部と、を有する。
　トラヒック量の不確かさと再生可能エネルギーの不確かとに対してロバストな仮想ネットワーク制御を実現することができる。
サービスの物理ネットワークへの埋め込みの一例を説明するための図である。 本実施形態に係る制御装置のハードウェア構成の一例を示す図である。 本実施形態に係る制御装置の機能構成の一例を示す図である。 本実施形態に係る仮想ネットワーク制御処理の流れの一例を示すフローチャートである。 本実施形態に係る制御解の算出処理の流れの一例を示すフローチャートである。
　以下、本発明の一実施形態について説明する。本実施形態では、トラヒック量の不確かさと再生可能エネルギーの不確かとに対してロバストな仮想ネットワーク制御（ＶＮＦ割当と経路決定）を実現することが可能な制御装置１０について説明する。なお、以下では、仮想ネットワークと区別するため、電力を必要とする物理サーバと物理リンクで構成される通信ネットワークを物理ネットワークともいう。一方で、ＶＮＦを仮想ノード、ＶＮＦ間の経路を仮想リンクとした通信ネットワークを仮想ネットワークともいう。
　＜理論的構成＞
　以下、本実施形態の理論的構成について説明する。
　始点（例えば、ユーザの所在地等）及び終点（例えば、サーバの所在地等）とサービス提供の際に利用するＶＮＦ（例えば、ファイアウォール等）との組み合わせで定義される仮想ネットワークと、この仮想ネットワークにより提供されるサービスとを同一視し、Ｎｓ個のサービスを物理ネットワークに埋め込む問題を考える。すなわち、Ｎｓ個のサービスをそれぞれ提供するＮｓ個の仮想ネットワークを物理ネットワークに埋め込む問題を考える。ここで、仮想リンクは任意の数の経路に分割が可能であり、物理ノードに接続された１つ又は複数の物理リンクに任意の割合で埋め込むことができる。
　物理ネットワークのトポロジーをｇ（Ｎ，Ｌ）と表記し、Ｎは物理ノードの集合、Ｌは物理リンクの集合を表すものとする。また、Ｉｎ⊂Ｌを物理ノードｎ∈Ｎに流入する物理リンクの集合、Ｏｎ⊂Ｌを物理ノードｎ∈Ｎから流出する物理リンクの集合とする。また、サービスの集合をＳ、ＶＮＦの種類に関する集合をＶとする。なお、ｇやＮ、Ｌ、Ｓ、Ｖ等はスクリプト文字（筆記体）で表記されるが、誤解が生じない限り、明細書のテキスト中では通常の文字で表記する。同様に、ＯｎやＩｎは黒板太字（中抜き文字）で表記されるが、誤解が生じない限り、明細書のテキスト中では通常の文字で表示する。その他の筆記体や中抜き文字についても同様である。
　このとき、各サービスをｇ（Ｖｓ，Ｅｓ）と表記する。ただし、Ｖｓ⊂Ｖはｓ番目のサービスのＶＮＦ集合、Ｅｓはｓ番目のサービスの仮想リンク集合である。なお、Ｖにはサービスの始点ノードと終点ノードも含まれるものとする。
　また、ｓ番目のサービスの仮想リンクｅ∈Ｅｓを互換的に（ｖｓｏ，ｖｄ）とも表記する。ただし、ｖｓｏは仮想リンクｅの始点ノード、ｖｄは仮想リンクｅの終点ノードを表す。
　サービスを物理ネットワークに埋め込んだ例を図１に示す。図１に示す例では、始点→ＶＮＦ１→ＶＮＦ２→ＶＮＦ３→終点で構成されるｓ番目のサービスｇ（Ｖｓ，Ｅｓ）と、始点→ＶＮＦ２→ＶＮＦ３→ＶＮＦ４→終点で構成されるｓ'番目のサービスｇ（Ｖｓ'，Ｅｓ'）とを物理ネットワークｇ（Ｎ，Ｌ）に埋め込んだ場合を示している。具体的には、ｓ番目のサービスｇ（Ｖｓ，Ｅｓ）は、物理ノード１→物理ノード３→物理ノード４→物理ノード２→物理ノード６に埋め込まれている。同様に、ｓ'番目のサービスｇ（Ｖｓ'，Ｅｓ'）は、物理ノード３→物理ノード５→物理ノード６→物理ノード２→物理ノード４に埋め込まれている。
　ｓ番目のサービス（以下、「サービスｓ」ともいう。）で発生するトラヒック量をλｓとする。トラヒック量λｓとしては、例えば、データ転送レートｂｐｓ等が挙げられる。将来のＶＮＦ割当と経路決定を行う場合、トラヒック量λｓは何等かの予測手法による予測値として得られることが想定される。例えば、予測手法としては、過去のトラヒック量の時系列データから将来のトラヒック量を予測するような自己回帰モデル等の時系列モデルを構築し、この時系列モデルから将来のトラヒック量の予測値を得る手法が挙げられる。また、他にも、例えば、過去数日間のトラヒック量の平均と分散を予測値とする手法等も考えられる。なお、どのような予測手法を用いた場合であってもトラヒック量λｓは予測値であるため、不確かさが存在する（言い換えれば、トラヒック量λｓは不確かな情報である）。このため、トラヒック量λｓの不確かさを踏まえて、仮想ネットワークの埋め込み問題を考える必要がある。
　次に、各サービスで使用するＶＮＦ及び経路が必要とする電力量（例えば、１時間平均の電力消費量Ｗｈ等）を考える。各ＶＮＦ及び経路が必要とする電力量は、サービスを提供する前の事前検証等により得られる最大消費電力や平均消費電力を活用する。一方で、各物理ノードに供給する電力源としては、再生可能エネルギーと契約電力を想定する。再生可能エネルギーの供給電力量は自然環境等に左右されるため、その予測値には不確かさが存在する。このため、各物理ノードｎが使用できると予測される最大電力量μｎ（以下、使用最大電力量という。）にも不確かさが存在することになる。このため、使用最大電力量μｎの不確かさを踏まえて、仮想ネットワークの埋め込み問題を考える必要がある。
　そこで、以下では、トラヒック量の不確かさと再生可能エネルギーの不確かさとに対してロバストな仮想ネットワークの埋め込み問題を定式化する。その準備として、まず、トラヒック量の不確かさと各物理ノードの使用最大電力量の不確かさとを以下の多面体集合として記述する。
Figure JPOXMLDOC01-appb-M000001
 　ただし、
Figure JPOXMLDOC01-appb-M000002
 はサービスｓで発生するトラヒック量のノミナル値を表し、
Figure JPOXMLDOC01-appb-M000003
 は物理ノードｎの使用最大電力量のノミナル値を表す。ここで、ノミナル値とは基準となる値のことを指し、例えば、平均値や中央値等の統計的指標を用いればよい。また、Δλｓ∈Ｒ＋はサービスｓで発生するトラヒック量のノミナル値からの偏差、Δμｎ∈Ｒ＋は物理ノードｎの使用最大電力量のノミナル値からの偏差であり、それぞれ不確かさを記述するパラメータである。
　上記の不確かさ集合（１）において、パラメータγλはノミナル値からどの程度偏差が存在するかを調整するパラメータである。同様に、上記の不確かさ集合（２）において、パラメータγμはノミナル値からどの程度偏差が存在するかを調整するパラメータである。これらのパラメータγλ及びγμは、不確かさ集合の大きさを規定するパラメータということもできる。
　以上の準備の下で、上記の不確かさ集合（１）と（２）でそれぞれ記述されるトラヒック量の不確かさと物理ノードの使用最大電力量の不確かさとに対して、仮想ネットワーク全体の総コストを最小化する仮想ネットワーク埋め込み問題を以下の２－ｓｔａｇｅロバスト最適化問題として定式化する。
Figure JPOXMLDOC01-appb-M000004
 　ここで、ｘｎ ｖ，ｓはバイナリ変数であり、サービスｓのＶＮＦ ｖ∈Ｖｓを物理ノードｎ∈Ｎに割り当てる場合は１、それ以外の場合は０を取る。また、ｙｌ ｅ，ｓ∈Ｒ（ｌは小文字のＬ）は０以上１以下を取る連続変数であり、サービスｓの仮想リンクｅ∈Ｅｓを物理リンクｌ∈Ｌに埋め込む割合を表す。目的関数（３ａ）において、ｃｎ ｖ，ｓとｂｌ ｅ，ｓ（ｌは小文字のＬ）はそれぞれＶＮＦ割当と経路決定に関連するコスト係数を表す。例えば、ｃｎ ｖ，ｓとｂｌ ｅ，ｓをそれぞれＶＮＦと経路の使用に関する消費電力コストと設定すれば、目的関数値は物理ネットワーク全体の総消費電力を表す。また、例えば、ｃｎ ｖ，ｓとｂｌ ｅ，ｓをそれぞれＶＮＦと経路の使用に関する処理時間コストと設定すれば、目的関数値はサービスの総処理時間を表す。
　不等式（３ｂ）は物理ノードの使用最大電力量に関する制約を表し、ｄｎ ｖ，ｓは物理ノードｎにＶＮＦ ｖ∈Ｖｓを割り当てた場合の消費電力係数である。等式（３ｃ）は、各サービスの各ＶＮＦは１つの物理ノードにしか割り当てできないことを表している。一方で、不等式（３ｄ）は、１つのサービスにおいて、複数のＶＮＦを１つの物理ノードに割り当てることはできないことを意味している。この（３ｄ）の制約条件は一見厳しいものであり、実用上の適用範囲を狭めているように思えるが、例えば、ある物理ノードに割り当てたい２つ以上のＶＮＦの組み合わせを新たに１つのＶＮＦとして扱うことで、２つ以上のＶＮＦを１つの物理ノードに割り当てることが可能となる。
　また、トラヒック量λｓとｘｎ ｖ，ｓを固定したときに取り得るｙｌ ｅ，ｓの集合ｙ（λｓ，ｘｎ ｖ，ｓ）は、
Figure JPOXMLDOC01-appb-M000005
 と記述される。ここで、不等式（４ｂ）は物理リンクに関する容量制約であり、φｌ（ｌは小文字のＬ）は物理リンクｌ∈Ｌの最大容量を表す。
　（３ａ）～（３ｅ）及び（４ａ）～（４ｃ）で定式化される２－ｓｔａｇｅロバスト最適化問題は、２段階に分けて解が算出される。まず、第１段階目では、トラヒック量λｓが未知の下、使用最大電力量μｎが最悪となるケースのシナリオにおけるＶＮＦ割当ｘｎ ｖ，ｓを決定する。第２段階目では、トラヒック量λｓが既知の下、仮想リンクの埋め込み割合ｙｌ ｅ，ｓ（つまり、経路）を決定する。これにより、トラヒック量の不確かさと再生可能エネルギーの不確かとを考慮した制御解（つまり、ＶＮＦ割当ｘｎ ｖ，ｓと経路決定ｙｌ ｅ，ｓ）が得られ、これらの不確かさに対してロバストな仮想ネットワーク制御を実現することができる。以下、具体的な求解手順について説明する。
　（３ａ）～（３ｅ）及び（４ａ）～（４ｃ）で定式化される２－ｓｔａｇｅロバスト最適化問題の求解アルゴリズムをＣ＆ＣＧ（Column-and-constraint generation）法に基づいて構築する。このＣ＆ＣＧ法は、元の問題をマスタープロブレムとサブプロブレムに分解し、それらを交互に解くことにより元の問題の解を得るアルゴリズムである。なお、以下、（３ａ）～（３ｅ）をまとめて（３）と表記する。同様に、（４ａ）～（４ｃ）をまとめて（４）と表記する。その他の式番号についても、複数の式番号をまとめて表記する場合には同様の方法を用いるものとする。
　ステップＫにおけるマスタープログラムを以下のように定義する。
Figure JPOXMLDOC01-appb-M000006
 　ここで、上記の問題において、λｓ（ｋ）はステップＫ－１までに求めたサブプロブレム（後述）の解である。また、筆記体のＫは、
Figure JPOXMLDOC01-appb-M000007
 である。以降では、マスタープロブレムの最適解をｘｎ ＊ｖ，ｓ（Ｋ），η＊（Ｋ）とする。特に、ｘｎ ＊ｖ，ｓ（Ｋ）はステップＫにおけるサブプロブレムを解くために利用され、η＊（Ｋ）は元の問題（つまり、（３）及び（４）で定式化される２－ｓｔａｇｅロバスト最適化問題）の最適解の下界を導出するために利用される。また、マスタープロブレムは、ｘｎ ｖ，ｓ，μｎに加えて、
Figure JPOXMLDOC01-appb-M000008
 も決定変数として求解することに注意する。
　次に、ステップＫにおけるサブプロブレムを以下のように定義する。
Figure JPOXMLDOC01-appb-M000009
 　上記の問題では、目的関数が有限の値となるような最適値（λｓ ＊（Ｋ），ｙｌ ＊ｅ，ｓ（Ｋ））が存在すると仮定する。すなわち、サブプロブレム（６）は、マスタープロブレムの任意の解に対して実行可能であると仮定する。なお、マスタープロブレムのある解に対してサブプロブレム（６）が実行不可能である場合には、例えば、制御装置１０が仮想ネットワークの埋め込みが不可能であることを示す情報を出力するようにしてもよい。
　上記のサブプロブレム（６）はバイレベルな最適化問題であるため、現在の形のまま求解することは困難である。そこで、これを回避するため、サブプロブレム（６）の内側の最小化問題を双対問題に変換し、以下の単レベルの最大化問題に帰着させる。
Figure JPOXMLDOC01-appb-M000010
 　この最大化問題（７）において、πｌ∈Ｒ，ξｎ ｅ，ｓ∈Ｒ，θｌ ｅ，ｓ∈Ｒはそれぞれ（４ｂ），（４ｃ），ｙｌ ｅ，ｓ≦１の制約に対する双対変数を表す。最大化問題（７）はλｓとπｌの積が存在するため、非線形最適化問題となる。本実施形態では、主双対内点法によって最大化問題（７）を求解する。以降では、最大化問題（７）の最適解をλｓ ＊（Ｋ）とし、この最適解に対応する目的関数値をＱ（Ｋ）とする。
　ステップＫ－１までにサブプロブレムで求めたλｓ ＊（Ｋ）に固定してマスタープロブレムを求解することにより、元の問題（３）及び（４）における最適解の下界は、
Figure JPOXMLDOC01-appb-M000011
 として与えられる。一方で、マスタープロブレムで求めたｘｎ ＊ｖ，ｓに固定してサブプロブレムを求解することにより、元の問題（３）及び（４）における最適解の上界は、
Figure JPOXMLDOC01-appb-M000012
 として与えられる。
　上記のマスタープロブレム（５）とサブプロブレム（７）とを交互に繰り返し解くことにより、上界と下界は最適解に漸近的に収束していくことが保証されている。
　＜制御装置１０のハードウェア構成＞
　次に、本実施形態に係る制御装置１０のハードウェア構成について、図２を参照しながら説明する。図２は、本実施形態に係る制御装置１０のハードウェア構成の一例を示す図である。
　図２に示すように、本実施形態に係る制御装置１０は一般的なコンピュータ又はコンピュータシステムのハードウェア構成で実現され、入力装置１０１と、表示装置１０２と、外部Ｉ／Ｆ１０３と、通信Ｉ／Ｆ１０４と、プロセッサ１０５と、メモリ装置１０６とを有する。これらの各ハードウェアは、それぞれがバス１０７により通信可能に接続される。
　入力装置１０１は、例えば、キーボードやマウス、タッチパネル等である。表示装置１０２は、例えば、ディスプレイ等である。なお、制御装置１０は、例えば、入力装置１０１及び表示装置１０２のうちの少なくとも一方を有していなくてもよい。
　外部Ｉ／Ｆ１０３は、記録媒体１０３ａ等の外部装置とのインタフェースである。制御装置１０は、外部Ｉ／Ｆ１０３を介して、記録媒体１０３ａの読み取りや書き込み等を行うことができる。なお、記録媒体１０３ａとしては、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等が挙げられる。
　通信Ｉ／Ｆ１０４は、制御装置１０を通信ネットワークに接続するためのインタフェースである。プロセッサ１０５は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等の各種演算装置である。メモリ装置１０６は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等の各種記憶装置である。
　本実施形態に係る制御装置１０は、図２に示すハードウェア構成を有することにより、後述する仮想ネットワーク制御処理を実現することができる。なお、図２に示すハードウェア構成は一例であって、制御装置１０は、他のハードウェア構成を有していてもよい。例えば、制御装置１０は、複数のプロセッサ１０５を有していてもよいし、複数のメモリ装置１０６を有していてもよい。
　＜制御装置１０の機能構成＞
　次に、本実施形態に係る制御装置１０の機能構成について、図３を参照しながら説明する。図３は、本実施形態に係る制御装置１０の機能構成の一例を示す図である。
　図３に示すように、本実施形態に係る制御装置１０は、予測値収集部２０１と、物理ネットワーク情報収集部２０２と、制御解算出部２０３と、制御部２０４とを有する。これら各部は、制御装置１０にインストールされた１以上のプログラムがプロセッサ１０５に実行させる処理により実現される。
　予測値収集部２０１は、各サービスのトラヒック量の予測値と、各物理ノードにおける使用最大電力量の予測値とを収集する。すなわち、予測値収集部２０１は、各サービスのトラヒック量のノミナル値及びその偏差と、各物理ノードにおける使用最大電力量のノミナル値及びその偏差とを取得する。
　本実施形態では、各サービスのトラヒック量の予測値と各物理ノードにおける使用最大電力量の予測値とが時系列モデルを利用した予測アルゴリズム等によって得られることを想定する。例えば、将来の１日におけるＶＮＦ割当と経路決定のスケジューリングを行う場合、予測値収集部２０１は、何等かの予測アルゴリズムにより、１日先までのトラヒック量の予測値と使用最大電力量の予測値とを取得する。ここで、これらの予測値は、あるサンプリング間隔の平均値及び分散であると仮定する。この場合、ノミナル値には平均値、ノミナル値の偏差には分散を設定すればよい。なお、サンプリング間隔は、例えば、１分や１時間等、ＶＮＦ割当や経路決定の制御仕様に応じて予め設定された時間間隔のことである。
　なお、予測値収集部２０１によって収集されたノミナル値とその偏差は制御解算出部２０３に渡される。
　物理ネットワーク情報収集部２０２は、物理ネットワークのトポロジーに関する情報や各種パラメータ（例えば、消費電力係数等）を収集する。
　なお、物理ネットワーク情報収集部２０２によって収集された情報や各種パラメータ等は制御解算出部２０３に渡される。
　制御解算出部２０３は、予測値収集部２０１によって収集された情報と物理ネットワーク情報収集部２０２によって収集された情報とを用いて、２－ｓｔａｇｅロバスト最適化問題（３）及び（４）を求解するアルゴリズムを実行する。すなわち、制御解算出部２０３は、第１段階目でマスタープロブレム（５）とサブプロブレム（７）とを交互に繰り返し解くことによりＶＮＦ割当ｘｎ ｖ，ｓを算出した後、第２段階目でサブプロブレム（６）を解くことで経路決定ｙｌ ｅ，ｓを算出する。これにより、元の問題（３）及び（４）の最適な制御解を表すＶＮＦ割当ｘｎ ｖ，ｓと経路決定ｙｌ ｅ，ｓが得られる。
　ここで、制御解算出部２０３には、第１の問題求解部２１１と、第２の問題求解部２１２とが含まれる。第１の問題求解部２１１は、マスタープロブレム（５）の解を算出すると共に、元の問題（３）及び（４）の最適解の下界を算出する。第２の問題求解部２１２は、サブプロブレム（７）やサブプロブレム（６）の解を算出すると共に、元の問題（３）及び（４）の最適解の上界を算出する。なお、例えば、上述したスケジューリングを行う場合、制御解算出部２０３は、サンプリング時間間隔毎に２－ｓｔａｇｅロバスト最適化問題（３）及び（４）を分割した上で、それぞれに関して独立に求解アルゴリズムを実行すればよい。
　制御部２０４は、制御解算出部２０３で算出された制御解により仮想ネットワークを制御する。これにより、最適な制御解が表すＶＮＦ割当と経路決定が物理ネットワークに埋め込まれる（つまり、最適なＶＮＦ割当と経路決定に変更される。）。
　なお、一例として、将来の１日におけるＶＮＦ割当と経路決定のスケジューリングを行う場合について説明したが、これは適用例の１つであって、これに限られない。例えば、最適なＶＮＦ割当と経路をリアルタイムに算出し、仮想ネットワークを動的に制御する場合にも同様に適用可能である。具体的には、サンプリング点毎に各サービスのトラヒック量の予測値と各物理ノードにおける使用最大電力量の予測値とを収集できる場合には、その収集の都度、制御解算出部２０３で求解アルゴリズムを実行し、制御部２０４でＶＮＦ割当と経路を更新してもよい。
　＜仮想ネットワーク制御処理＞
　次に、本実施形態に係る仮想ネットワーク制御処理の流れについて、図４を参照しながら説明する。図４は、本実施形態に係る仮想ネットワーク制御処理の流れの一例を示すフローチャートである。なお、埋め込み対象のサービスｇ（Ｖｓ，Ｅｓ）（ｓ＝１，・・・，Ｎｓ）は制御装置１０に予め与えられているものとする。
　まず、予測値収集部２０１は、各サービスのトラヒック量の予測値（ノミナル値及びその偏差）と、各物理ノードにおける使用最大電力量の予測値（ノミナル値及びその偏差）とを収集する（ステップＳ１０１）。
　次に、物理ネットワーク情報収集部２０２は、物理ネットワークのトポロジーに関する情報や各種パラメータ（例えば、消費電力係数等）を収集する（ステップＳ１０２）。ただし、物理ネットワークのトポロジーや各種パラメータの値が前回収集した以降に変更されていない場合、本ステップは実行されなくてもよい。
　続いて、制御解算出部２０３は、上記のステップＳ１０２～ステップＳ１０３で収集された情報を用いて２－ｓｔａｇｅロバスト最適化問題（３）及び（４）を求解するアルゴリズムを実行し、最適な制御解を算出する（ステップＳ１０３）。なお、本ステップの詳細については後述する。
　そして、制御部２０４は、上記のステップＳ１０３で算出された制御解により仮想ネットワークを制御する（ステップＳ１０４）。
　ここで、上記のステップＳ１０３における制御解の算出処理の詳細について、図５を参照しながら説明する。図５は、本実施形態に係る制御解の算出処理の流れの一例を示すフローチャートである。
　まず、制御解算出部２０３は、ステップＫ＝０、ψＵＢ（０）＝∞とし、初期値λｓ（０）を設定する（ステップＳ２０１）。なお、初期値λｓ（０）はΛｓに属する任意の値に設定すればよい。また、このとき、第１段階目の終了条件を判定するためのパラメータε＞０を有限の値に設定してもよい。
　次に、制御解算出部２０３は、第１の問題求解部２１１によりマスタープロブレム（５）を求解し、最適解ｘｎ ＊ｖ，ｓ（Ｋ）及びη＊（Ｋ）とψＬＢ（Ｋ）を得る（ステップＳ２０２）。
　次に、制御解算出部２０３は、第２の問題求解部２１２によりサブプロブレム（７）を求解し、最適解λｓ ＊（Ｋ）とψＵＢ（Ｋ）を得る（ステップＳ２０３）。このとき、制御解算出部２０３は、ψＵＢ（Ｋ）＝ｍｉｎ（ψＵＢ（Ｋ），ψＵＢ（Ｋ－１））によりψＵＢ（Ｋ）を更新する。
　次に、制御解算出部２０３は、予め設定されたパラメータε（又は、上記のステップＳ２０１で設定されたパラメータε）を用いて、ψＵＢ（Ｋ）－ψＬＢ（Ｋ）≦εを満たすか否かを判定する（ステップＳ２０４）。
　上記のステップＳ２０４でψＵＢ（Ｋ）－ψＬＢ（Ｋ）≦εを満たすと判定されなかった場合、制御解算出部２０３は、ステップＫに１を加算してステップＫを更新し（ステップＳ２０５）、ステップＳ２０２に戻る。これにより、ψＵＢ（Ｋ）－ψＬＢ（Ｋ）≦εを満たすまでステップＳ２０２～ステップＳ２０３が繰り返し実行される。
　一方で、上記のステップＳ２０４でψＵＢ（Ｋ）－ψＬＢ（Ｋ）≦εを満たすと判定された場合、制御解算出部２０３は、λｓ ＊（Ｋ）を固定した上で、第２の問題求解部２１２によりサブプロブレム（６）を求解し、最適解ｙｌ ＊ｅ，ｓを得る（ステップＳ２０６）。
　以上により最適解ｘｎ ＊ｖ，ｓ（Ｋ）とｙｌ ＊ｅ，ｓが得られ、これが元の問題（３）及び（４）の最適な制御解（最適解）となる。なお、上記のステップＳ２０６ではサブプロブレム（６）を解く必要があるが、この最適化問題は単なるｙｌ ｅ，ｓに関する線形計画問題に帰着させることができるため容易に求解することが可能である。
　＜まとめ＞
　以上のように、本実施形態に係る制御装置１０は、上述した仮想ネットワーク制御処理により、トラヒック量の不確かさと再生可能エネルギーの不確かさとに対してロバストなＶＮＦ割当と経路決定とが可能となる。
　トラヒック量の予測値と再生可能エネルギーを含む使用最大電力量の予測値とを用いてＶＮＦ割当と経路決定とを行った場合、それらの予測値に予測誤差が存在する限り、通信性能の劣化や輻輳の発生だけでなく、不足電力の購入によるコスト増加や再生可能エネルギーの利用率低下による環境負荷の増大等の問題が発生し得る。一方で、本実施形態に係る仮想ネットワーク制御処理は予測に不確かさが存在することを考慮したものであるため、通信性能の劣化や輻輳の発生を抑制すると共に不足電力の購入コストの発生や再生可能エネルギーの利用率低下の防止することが可能なＶＮＦ割当を経路決定が可能となる。
　また、本実施形態に係る仮想ネットワーク制御処理（特に、制御解の算出処理）は、２－ｓｔａｇｅロバスト最適化と呼ばれる数理最適化の理論に基づいた求解アルゴリズムである。この理論では意志決定プロセスに基づいた２段階のロバスト最適化を行っており、単なるロバスト最適化よりも保守性を低減した解が得られることが知られている。このことは、トラヒック量と再生可能エネルギーの予測に誤差が存在していたとしても、通信性能の劣化や輻輳の発生を抑制すると共に不足電力の購入コストの発生や再生可能エネルギーの利用率低下を防止しつつ、保守性の低いＶＮＦ割当と経路決定が可能であることを意味している。
　本発明は、具体的に開示された上記の実施形態に限定されるものではなく、請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。
　１０　　　　制御装置
　１０１　　　入力装置
　１０２　　　表示装置
　１０３　　　外部Ｉ／Ｆ
　１０３ａ　　記録媒体
　１０４　　　通信Ｉ／Ｆ
　１０５　　　プロセッサ
　１０６　　　メモリ装置
　１０７　　　バス
　２０１　　　予測値収集部
　２０２　　　物理ネットワーク情報収集部
　２０３　　　制御解算出部
　２０４　　　制御部
　２１１　　　第１の問題求解部
　２１２　　　第２の問題求解部

Claims (5)

  1. 　サービス提供を実現する仮想ネットワークを物理ネットワーク上に埋め込む制御装置であって、
    　前記サービスのトラヒック量の予測値と、前記物理ネットワークを構成する各物理ノードが使用可能な再生可能エネルギーを含む電力量の予測値とを取得する第１の取得部と、
    　前記物理ネットワークに関する情報を取得する第２の取得部と、
    　前記トラヒック量の予測値と前記電力量の予測値と前記物理ネットワークに関する情報とに基づいて、前記仮想ネットワークを構成する仮想ノードの物理ノードへの割当と前記仮想ノード間の経路決定とに関する２－ｓｔａｇｅロバスト最適化問題の最適解を算出する解算出部と、
    　前記最適解が表す仮想ノードの割当と経路決定とに基づいて、前記物理ネットワークに埋め込まれた仮想ネットワークを制御する制御部と、
    　を有する制御装置。
  2. 　前記トラヒック量の予測値は、前記トラヒック量のノミナル値と該ノミナル値からの偏差とで表され、
    　前記電力量の予測値は、前記電力量のノミナル値と該ノミナル値からの偏差とで表される、請求項１に記載の制御装置。
  3. 　前記解算出部は、
    　Column-and-constraint generation法に基づいて、前記２－ｓｔａｇｅロバスト最適化問題をマスタープロブレムとサブプロブレムとに分解した上で、第１段階目で前記マスタープロブレムと前記サブプロブレムとを交互に解くことで、前記仮想ノードの割当に関する最適解を算出し、第２段階目で前記サブプロブレムを解くことで、前記経路決定に関する最適解を算出する、請求項１又は２に記載の制御装置。
  4. 　サービス提供を実現する仮想ネットワークを物理ネットワーク上に埋め込む制御装置が、
    　前記サービスのトラヒック量の予測値と、前記物理ネットワークを構成する各物理ノードが使用可能な再生可能エネルギーを含む電力量の予測値とを取得する第１の取得手順と、
    　前記物理ネットワークに関する情報を取得する第２の取得手順と、
    　前記トラヒック量の予測値と前記電力量の予測値と前記物理ネットワークに関する情報とに基づいて、前記仮想ネットワークを構成する仮想ノードの物理ノードへの割当と前記仮想ノード間の経路決定とに関する２－ｓｔａｇｅロバスト最適化問題の最適解を算出する解算出手順と、
    　前記最適解が表す仮想ノードの割当と経路決定とに基づいて、前記物理ネットワークに埋め込まれた仮想ネットワークを制御する制御手順と、
    　を実行する制御方法。
  5. 　コンピュータを、請求項１乃至３の何れか一項に記載の制御装置として機能させるプログラム。
PCT/JP2021/003659 2021-02-02 2021-02-02 制御装置、制御方法及びプログラム WO2022168140A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022579165A JP7521616B2 (ja) 2021-02-02 2021-02-02 装置、方法、制御装置、制御方法及びプログラム
US18/274,993 US20240314046A1 (en) 2021-02-02 2021-02-02 Control apparatus, control method and program
PCT/JP2021/003659 WO2022168140A1 (ja) 2021-02-02 2021-02-02 制御装置、制御方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/003659 WO2022168140A1 (ja) 2021-02-02 2021-02-02 制御装置、制御方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2022168140A1 true WO2022168140A1 (ja) 2022-08-11

Family

ID=82741196

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/003659 WO2022168140A1 (ja) 2021-02-02 2021-02-02 制御装置、制御方法及びプログラム

Country Status (3)

Country Link
US (1) US20240314046A1 (ja)
JP (1) JP7521616B2 (ja)
WO (1) WO2022168140A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024105744A1 (ja) * 2022-11-14 2024-05-23 日本電信電話株式会社 ネットワーク配置装置、ネットワーク配置方法、及びプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047227A (zh) * 2020-03-13 2020-04-21 四川大学 基于两阶段的能量和业务时空匹配的鲁棒能量调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7040474B2 (ja) 2019-02-04 2022-03-23 日本電信電話株式会社 制御装置、制御方法及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047227A (zh) * 2020-03-13 2020-04-21 四川大学 基于两阶段的能量和业务时空匹配的鲁棒能量调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANTONIO, MAROTTA ET AL.: "A Power Efficient Robust Virtual Network Functions Placement Problem", 016 28TH INTERNATIONAL TELETRAFFIC CONGRESS(ITC28, 16 September 2016 (2016-09-16), XP033039211 *
DAVID, JOHANSSON ET AL.: "On the Energy Cost of Robustness and Resiliency for Virtual network Function Placement", 2018 IEEE CONFERENCE ON NETWORK FUNCTION VIRTUALIZATION AND SOFTWARE DEFINED NETWORKS(NFV-SDN, 29 November 2018 (2018-11-29), XP033554006 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024105744A1 (ja) * 2022-11-14 2024-05-23 日本電信電話株式会社 ネットワーク配置装置、ネットワーク配置方法、及びプログラム

Also Published As

Publication number Publication date
JPWO2022168140A1 (ja) 2022-08-11
JP7521616B2 (ja) 2024-07-24
US20240314046A1 (en) 2024-09-19

Similar Documents

Publication Publication Date Title
Hsieh et al. Utilization-prediction-aware virtual machine consolidation approach for energy-efficient cloud data centers
Tchernykh et al. Towards understanding uncertainty in cloud computing with risks of confidentiality, integrity, and availability
JP7158801B2 (ja) グラフデータ処理方法、グラフデータの計算タスクの配布方法、装置、コンピュータプログラム、及びコンピュータ機器
Tarahomi et al. An efficient power-aware VM allocation mechanism in cloud data centers: a micro genetic-based approach
US11527889B2 (en) Congestion control in electric power system under load and uncertainty
Terefe et al. Energy-efficient multisite offloading policy using Markov decision process for mobile cloud computing
Zhang et al. Multi-objective scheduling of many tasks in cloud platforms
Litke et al. Efficient task replication and management for adaptive fault tolerance in mobile grid environments
JP5602851B2 (ja) 最適ネットワーク・トポロジの識別を用いた分散データ処理システム内のジョブ・スケジューリングのための方法及びシステム
Yusoh et al. Composite saas placement and resource optimization in cloud computing using evolutionary algorithms
Alemany et al. Symmetry issues in mixed integer programming based Unit Commitment
Wen et al. Running industrial workflow applications in a software-defined multicloud environment using green energy aware scheduling algorithm
CN104731574A (zh) 用于识别多级工作流处理中的资源瓶颈的方法和系统
Li et al. An effective scheduling strategy based on hypergraph partition in geographically distributed datacenters
Radovanovic et al. Power modeling for effective datacenter planning and compute management
Kulshrestha et al. An efficient host overload detection algorithm for cloud data center based on exponential weighted moving average
Wangsom et al. Multi-objective scientific-workflow scheduling with data movement awareness in cloud
Ujjwal et al. An efficient framework for ensemble of natural disaster simulations as a service
WO2022168140A1 (ja) 制御装置、制御方法及びプログラム
Iyapparaja et al. FogQSYM: An industry 4.0 analytical model for fog applications
Dhaya et al. IoE based private multi-data center cloud architecture framework
CN112801374B (zh) 模型训练方法、用电负荷预测方法、装置及设备
WO2023026340A1 (ja) 制御装置、制御方法及びプログラム
WO2023157197A1 (ja) 制御装置、制御方法及びプログラム
Dong et al. Predictive Job Scheduling under Uncertain Constraints in Cloud Computing.

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022579165

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18274993

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21924538

Country of ref document: EP

Kind code of ref document: A1