Core Concepts
異なるVNFタイプ間でプロファイリング知識を効果的に転移し、未プロファイルのVNFのリソース構成を予測する。
Abstract
本論文は、VNFプロファイリング知識の転移を実現するための連邦移転学習手法「FTCA」を提案している。
まず、既にプロファイリングされた「ソースVNF」がGenerative Adversarial Network (GAN)を使ってプロファイリングデータを合成し、その学習済みモデルを「ターゲットVNF」に送信する。次に、ターゲットVNFは、生成されたソースVNFデータと自身の少量のプロファイリングデータを用いて、Transfer Component Analysis (TCA)によるドメイン適応を行う。これにより、ターゲットVNFのリソース構成を予測することができる。
実験では、SNORT Inline、SNORT Passive、仮想ファイアウォール(vFW)の3種類のVNFを対象とした転移学習タスクを実施した。その結果、提案手法FTCAを用いることで、RMSEが38.5%減少し、R2指標が68.6%まで向上することが示された。これにより、新しいVNFの迅速な展開が期待できる。
Stats
ターゲットVNFのCPUコア数の予測精度が向上し、RMSEが38.5%減少した。
ターゲットVNFのメモリ容量の予測精度が向上し、R2指標が68.6%まで向上した。
Quotes
"VNFプロファイリングは、特定のVNFが仮想化環境下でどのようにコンピューティング、ストレージ、ネットワークリソースを利用し、全体的なパフォーマンスを発揮するかを分析し、特徴づけるプロセスである。"
"異なるVNFタイプは通常別個のエンティティとして扱われるため、各VNFタイプはデータプライバシーの懸念から直接プロファイリングデータを交換することはできない。"