| Project/Area Number |
23K24842
|
|---|
| Project/Area Number (Other) |
22H03586 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60060:Information network-related
|
|---|
| Research Institution | Kansai University (2023-2024)
Nara Institute of Science and Technology (2022) |
|---|
Principal Investigator |
笹部 昌弘 関西大学, 総合情報学部, 教授 (10379109)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
原 崇徳 奈良先端科学技術大学院大学, 先端科学技術研究科, 助教 (70907881)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,420,000 (Direct Cost: ¥13,400,000、Indirect Cost: ¥4,020,000)
Fiscal Year 2024: ¥5,590,000 (Direct Cost: ¥4,300,000、Indirect Cost: ¥1,290,000)
Fiscal Year 2023: ¥5,590,000 (Direct Cost: ¥4,300,000、Indirect Cost: ¥1,290,000)
Fiscal Year 2022: ¥6,240,000 (Direct Cost: ¥4,800,000、Indirect Cost: ¥1,440,000)
|
|---|
| Keywords | NFVネットワーク / 持続可能性 / サービスチェイニング / クラウドネイティブ / ネットワーク機能仮想化(NFV) / グラフニューラルネットワーク(GNN). / 深層強化学習(DRL) / SDN / eBPF/XDP / 数理最適化 / 時空間GNN / 機能配置 / 整数線形最適化(ILO) / 容量制約付き最短経路ツアー問題(CSPTP) / ラグランジュ緩和 / グラフニューラルネットワーク / CNF |
|---|
| Outline of Research at the Start |
近年，ネットワーク機能仮想化(NFV)技術の導入により，限られた資源制約の下，多様化するネットワークサービスの迅速かつ柔軟な実現が期待されている．一方で持続可能なNFVネットワークの実現に向けては，(1)サービス需要に対する最適な資源割当，(2)サービス需要の時空間的予測，(3)需要変化や障害発生への適応力，といった課題の解決が急務となっている．そこで本研究では，(1)，(2)に関しては，数理最適化と時空間グラフニューラルネットワークに基づく数理的解法を，(3)に関してはコンテナ技術を基盤とした仮想化技術を用いた実践的解法をそれぞれ確立することで，持続可能型NFVネットワークの実現を目指す．
|
| Outline of Annual Research Achievements |
本研究が目指す持続可能なNFVネットワークは，数理最適化によるサービスチェイニング・機能配置（要素技術1），機械学習による環境変化（サービス需要やネットワークトポロジ）に追従可能な制御方式（要素技術2），軽量な仮想化技術に基づく適応力を備えたサービスパスの実現（要素技術3）という3つの要素技術の確立，および，それらの間の循環作用により実現可能と考えている．本年度は，代表者と分担者がそれぞれ主・副担当として，要素技術2の確立を目指した．
サービスチェイニングでは，サービスチェイン要求に対し，物理ネットワーク上に適切なサービスパスを設定する．サービスパスは，始点ノードから始まり，物理ネットワーク上に配置された機能を所望の順にそれぞれ中継ノード上で実行した後，終点ノードへと至る最短経路となる．応募者らは，この問題がNP困難となる容量制約付き最短経路ツアー問題に基づく整数線形最適化として定式化できることを示すとともに，計算量と最適性のバランスを考慮したラグランジュ緩和に基づく解法を確立してきた．
一方で，これまでの検討ではサービスに対する需要は既知であるとともに，ネットワークトポロジは変化しないことを前提としていた．実システムでは，ユーザの生活様式に応じてサービス毎の需要が時々刻々と変化し続けるとともに，機器の故障などによりネットワークトポロジにも変化が生じる可能性がある．そこで本年度では，Graph Neural Networkと深層強化学習の組み合わせにより，サービス需要やネットワークトポロジの変化への追従性を備えたサービスチェイニング方式を確立した．
さらに要素技術3に関連する検討として，近年，Linuxカーネル空間における軽量かつ高速なパケット処理技術としてeBPF/XDPが着目されていることを考慮し，これら技術と機械学習の組み合わせに関する実現可能性についても検証した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
「研究実績の概要」で述べたように，NFVネットワークにおけるサービスチェイニングに対し，これまでの手法ではサービスに対する需要が既知であることやネットワークトポロジが変化しないことを前提としていた．本年度確立したGNNとDRLを組み合わせた手法は，サービス需要の時間的変化や機器の故障によるネットワークトポロジの変化への適応力を備えるとともに，あるネットワーク上で学習されたモデルを他のネットワークにも適用できることを示した．
また，eBPF/XDPによる軽量かつ高速なパケット処理の機械学習への応用に関する可能性を明らかにした．
これら得られた成果の一部は，IEEE Transactions on Network and Service Management (IF: 5.3), Elsevier Computer Networks (IF: 5.6)などの雑誌に採択されるとともに，国際会議IEEE International Conference on Network of the Future (NoF 2023)や国内研究会（ネットワークシステム研究会など）における発表の形でも広く社会に公開している．
|
| Strategy for Future Research Activity |
今後の方策としては，残された要素技術，軽量な仮想化技術に基づく適応力を備えたサービスパスの実現（要素技術3）に対し取り組む予定である．昨年度までの成果により，最適化や機械学習といった数理的手法を駆使することで，サービス需要やネットワークトポロジといった環境の変化に追従可能なサービスチェイニングの方法論を確立できている．
これらの方法論の実システム上への展開方法の検討が主な課題となる．多様かつ時間的に変化するサービス要求に対し速やかにサービスパスを構築するためには，迅速な機能の展開・動作とそれらの連携が不可欠である．これらの観点では，コンテナやKubernetes (k8s)を中心としたクラウドネイティブとしての実現が適していると考えられる．
具体的には，個々の機能を軽量なコンテナとして実現するとともに，コンテナ化されたアプリケーションを展開，スケール，管理可能なk8sの応用により機能間の連携を図る．k8sでは，コンテナ化されたアプリケーションを実行するノードの集合体（クラスタ）に対し，需要の増減に応じた規模の調整や機器・ソフトウェアの障害に対する自動復旧といった魅力的な機能を備えている．ただし，サービスチェイニングにおいては，複数拠点をサービスパスが経由する場合にマルチクラスタ環境への応用が必要となる．クラスタ間ネットワーキングに対しては，CeliumやNetwork Service Mesh (NSM)など複数の技術が競合しており，デファクト・スタンダードがまだ確立されていないのが現状である．これら研究開発の最新動向を注視しながら，本研究で用いる技術を選定する予定である．
また，得られた研究成果に関しては，引き続き，研究会，国際会議，雑誌論文などの形で広く社会に公開することを計画している．
|
