Core Concepts
연방 전송 구성 요소 분석(FTCA) 방법은 서로 다른 VNF 유형 간의 프로파일링 지식을 전송하여 대상 VNF의 필요한 리소스를 효과적으로 예측할 수 있다.
Abstract
이 논문은 연방 전송 구성 요소 분석(FTCA) 방법을 제안한다. FTCA는 서로 다른 VNF(가상 네트워크 기능) 유형 간의 프로파일링 지식을 전송하여 대상 VNF의 필요한 리소스를 효과적으로 예측할 수 있다.
FTCA는 다음과 같은 과정으로 진행된다:
소스 도메인 VNF가 이미 프로파일링된 데이터를 사용하여 생성적 적대 신경망(GANs) 모델을 학습한다.
학습된 GANs 모델을 대상 도메인 VNF에 전송한다.
대상 도메인 VNF는 생성된 소스 도메인 데이터와 자체 프로파일링 데이터를 사용하여 도메인 적응을 수행한다.
새로운 특징 공간에서 회귀 모델을 학습하여 대상 VNF의 리소스 구성을 예측한다.
실험 결과, FTCA를 사용하면 대상 VNF의 CPU 코어 예측 RMSE가 38.5% 감소하고 R-squared 지표가 68.6%까지 향상되었다. 이를 통해 FTCA가 VNF 프로파일링에 효과적임을 보여준다.
Stats
SNORT Inline VNF의 CPU 코어 예측 RMSE가 38.5% 감소했다.
SNORT Inline VNF의 R-squared 지표가 68.6%까지 향상되었다.
Quotes
"연방 전송 구성 요소 분석(FTCA) 방법은 서로 다른 VNF 유형 간의 프로파일링 지식을 전송하여 대상 VNF의 필요한 리소스를 효과적으로 예측할 수 있다."
"실험 결과, FTCA를 사용하면 대상 VNF의 CPU 코어 예측 RMSE가 38.5% 감소하고 R-squared 지표가 68.6%까지 향상되었다."