یک مدل برنامه ریزی پویا برای استقرار زنجیره های تابعی سرویس در محاسبات ابری ابر تاریک

استقرار بهینه زنجیره های تابعی سرویس در محیط محاسبات ابری ابر تاریک با چالش های متعددی از جمله محرمانگی داده ها، پویایی منابع، و تضمین کیفیت سرویس مواجه است. در این مقاله یک مدل برنامه ریزی پویا (DP) برای استقرار SFC ارائه می شود که همزمان هزینه عملیاتی، تاخیر و امنیت را بهینه سازی می کند. مدل پیشنهادی با فرموله کردن مسئله به صورت یک فرآیند تصمیم گیری چند مرحله ای، راه حلی کارآمد برای تخصیص منابع تحت محدودیت های امنیتی ابر تاریک ارائه می دهد. نتایج شبیه سازی نشان می دهد که این روش در مقایسه با الگوریتم های مرسوم مانند (روش های حریصانه و ژنتیک) کاهش ۲۵ درصدی هزینه و بهبود ۲۰ درصدی عملکرد امنیتی را در پی دارد. محاسبات ابری ابر تاریک به استقرار خدمات در لبه شبکه می پردازد تا محدودیت های سیستم های ابر متمرکز را برطرف کند. اما استفاده از این مفاهیم هنوز در مراحل ابتدایی است و در شبکه های مبتنی بر محاسبات ابری ابر تاریک چالش های زیادی وجود دارد. یکی از این چالش ها SFC است که از نمونه های نرم افزاری شبکه برای به اشتراک گذاری منابع استفاده می کند. فناوری مجازی سازی تابع شبکه سخت افزارهای میان جعبه ای را جدا می کند و آنها را به عنوان توابع شبکه مجازی در نودهای متمرکز اجرا می کند. VNFها در زنجیره های تابعی سرویس به صورت متوالی به یکدیگر متصل می شوند. استقرار VNFها در شبکه مبتنی بر محاسبات ابری ابر تاریک یک مسئله پیچیده است و نیازمند بهره برداری بهینه از منابع و کاهش تاخیر و هزینه است. در این مقاله با استفاده از یادگیری تقویتی عمیق و بازاستفاده از VNFها به هم مسئله استقرار پرداخته شده است. الگوریتم پیشنهادی، با در نظر گرفتن محدودیت منابع و تجزیه و تحلیل توزیع دینامیکی VNFها، هزینه و کیفیت خدمات را تعادل می دهد.

Keywords:

برنامه ریزی پویا , توابع مجازی , شبکه زنجیره تابعی سرویس , محاسبات ابری ابر تاریک , محیط های ابری امن , یادگیری تقویتی عمیق