将来予測でデータセンターの資源配分を最適化する「予測駆動型DRL」フレームワーク

TL;DR（結論）

データセンターにおけるサービスファンクションチェイニング（SFC）の資源配分を最適化するため、深層強化学習（DRL）と深層学習による予測モデルを高度に融合させた「予測駆動型DRL」フレームワークが提案されました。 この手法では、DRLエージェントが環境との相互作用を通じて生成した詳細なデータセットを活用し、LSTMやグラフニューラルネットワーク（GNN）などの複数のモデルを組み合わせたアンサンブル学習によって、将来の計算資源やストレージの空き状況を極めて高い精度で予測します。 検証の結果、拡張現実（AR）やインダストリー4.0といった極めて低遅延が要求されるサービスの受容率が大幅に向上し、クラウドゲーミングやVoIPなどのエンドツーエンド遅延も最大で約35%削減されるなど、動的なネットワーク環境における資源利用効率とサービス品質の劇的な改善が確認されました。

なぜこの問題か

現代の大規模なデータセンター（DC）インフラにおいて、ソフトウェア定義ネットワーク（SDN）の集中制御機能とネットワーク機能仮想化（NFV）のオンデマンドなインスタンス化を活用し、ファイアウォールやネットワークアドレス変換（NAT）などの仮想ネットワーク機能（VNF）を論理的なサービスパイプラインとして連結するサービスファンクションチェイニング（SFC）は不可欠な技術となっています。しかし、各VNFが消費する計算資源（CPUサイクル）やストレージ容量は、トラフィック負荷の変動やアプリケーションの多様な要求に伴って常に動的に変化し続けています。従来の静的な資源配分手法では、このような動的な環境に柔軟に対応することが難しく、必要以上の資源を割り当ててしまうオーバープロビジョニングによる資源の浪費や、逆に割り当てが不足するアンダープロビジョニングによるサービスレベル合意（SLA）の違反という深刻な問題に直面していました。 特に、資源の消費量が予測困難な状況では、将来の需要を考慮せずに現在の状態のみに基づいて配置を決定すると、特定のデータセンターに負荷が集中し、資源の競合が発生して遅延が増大するリスクが高まります。…

核心：何を提案したのか

本研究では、予測インテリジェンスとSFCプロビジョニングを融合させた、ハイブリッドな「予測駆動型深層強化学習（DRL）」フレームワークを提案しています。このフレームワークの核心は、DRLエージェントが環境との相互作用を通じて生成したデータセットを活用し、高精度な将来予測モデルを構築して、その予測結果をデータセンターの選択プロセスに直接統合した点にあります。具体的には、まずDRL環境からデータセンターの資源利用状況やサービス需要に関する時系列データを収集します。…

続きはログイン/プランで閲覧できます。