1. Predictive Model for Elastic Resource Allocation on NFV/SDN Environments based on OpenStack
- Author
-
Caviedes Valencia, Juan Camilo, Niño Vásquez, Luis Fernando, and Rueda Pepinosa, Diego Fernando
- Subjects
Virtual Infrastructure ,Arquitectura de Código Abierto ,Infraestructura Virtual ,Autoescalamiento ,Autoscaling ,High availability ,Red informática ,SDN ,NFV ,Alta Disponibilidad ,Modelo Predictivo ,Predictive Model ,Open Source Architecture ,Ingeniería de software ,HTM ,000 - Ciencias de la computación, información y obras generales ,Computer networks - Abstract
En esta investigación se implementa un modelo predictivo para la asignación elástica de recursos sobre un entorno NFV/SDN basado en herramientas de código abierto como OpenStack. Usando como referencia una arquitectura que puede implementarse en entornos de bajo costo mediante herramientas de código abierto, se adecúa una metodología de autoescalamiento basada en recomendaciones del 3GPP. Luego, utilizando el algoritmo HTM para predecir tendencias, se efectúan asignaciones proactivas de recursos según reglas de violación de umbral, definidas en un algoritmo de autoescalamiento que sintetiza la asignación elástica de recursos. Los datos que enriquecen el modelo predictivo se generan siguiendo la tendencia de la demanda de recursos de una red móvil real. Los resultados muestran que, a través del modelo propuesto, es posible reducir el tiempo entre identificar la necesidad de escalar y culminar el escalamiento, en comparación con soluciones conocidas de computación en la nube. Además, es posible mantener la disponibilidad del servicio mientras se mejora la latencia en el tiempo de conexión al mismo. diagramas, ilustraciones a color, tablas This research implements a predictive model for the elastic allocation of resources on an NFV/SDN environment based on open source tools such as OpenStack. Using as a reference an architecture that can be implemented in low-cost environments using open source tools, an autoscaling methodology based on 3GPP recommendations is adapted. Then, using HTM algorithm to predict trends, proactive resource allocations are made based on threshold violation rules defined in an autoscaling algorithm that synthesizes elastic resource allocation. The data that enrich the predictive model is generated following the trend of the demand for resources of a real mobile network. The results show that, through the proposed model, it is possible to reduce the time between identifying the need to scale and completing the scaling compared to known cloud computing solutions. In addition, it is possible to maintain the availability of the service while improving the latency in connection time to it. Maestría Magíster en Ingeniería - Telecomunicaciones Metodología cuantitativa con la implementación real de sistemas de cómputo. Redes y Sistemas de Telecomunicaciones
- Published
- 2021