الگوریتمی مبتنی بر تلفیق اطلاعات چند بانده با استفاده از شبکه gmdh برای پیشبینی بار ترافیک nfv در زیرساخت ابری

با فراگیر شدن استفاده از عملگرهای مجازی شبکه (nfv) که سرویس های شبکه نظیر مسیریابی، دیواره آتش و.. را به صورت نرم افزاری در قالب ماشین های مجازی روی ساختار ابری توزیع شده ارائه می دهند، نیاز به تضمین کیفیت سرویس و عدم تخطی از قرارداد sla کاربر در کنار مصرف انرژی بهینه مرکز داده ابری و کاهش تلفات انرژی ازجمله مشکلات مطرح در این حوزه می باشند. برای حل این مشکلات نیاز به الگوریتمی برای مقیاس دهی و تخصیص پویای منابع ابری با توجه به پیشبینی نرخ بارکاری ابر می باشد. از آنجا که نرخ بارکاری ورودی به ابر دارای تغییرات زیادی در بازه های کوتاه مدت است، الگوریتم های فعلی برای پیشبینی نرخ بارکاری دقت لازم را ندارند. در این مقاله روش wavelet-gmdh با دقت بالاتر در پیشبینی حجم بارکاری در مقایسه با کارهای قبلی ارائه شده است. ایده اصلی روش ارایه شده مدل سازی زیرباندهای مستقل زمانفرکانس بارکاری با نگاشت تبدیل موجک و استفاده از شبکه gmdh با میزان غیرخطینگی قابل کنترل در هر یک از زیر باندها برای پیشبینی بارکاری و در نهایت تلفیق خروجی های زیرباندها برای بدست اوردن مقدار نهایی پیشبینی بارکاری می باشد. ارزیابی عملکرد الگوریتم پیشنهادی با دو بارکاری استاندارد ابری intel و tsdl ، به سبب مدل سازی بهتر تغییرات شدید بارکاری در هر یک از زیرباندهای زمان-فرکانس نشان داد که درصد میانگین خطای مطلق پیشبینی 7.2 درصد نسبت به بهترین روش موجود در مقالات مرتبط که مبتنی بر شبکه عصبی می باشد کاهش داشته است.

A multiband GMDH ensemble algorithm for NFV traffic prediction in cloud computing infrastructure

Network function virtualization (NFV) is an emerging technology. NFV enables networks to use software defined virtual functions such as firewalls, load balancers, and WAN accelerators, conventionally running on dedicated hardware. In order to provide NFV resources and meet SLA (Service Level Agreement) conditions, minimize energy consumption and utilize physical resources efficiently, dynamic resource allocation in cloud is an essential task. Since network traffic is changing rapidly, an optimized resource allocation strategy should consider resource autoscaling property for NFV services.in order to scale cloud resources, we should predict NFV workload. Existing prediction methods are providing poor results for highly volatile and fluctuating time series such as cloud workloads. So, we propose a multiband decomposed wavelet prediction by GMDH ensemble algorithm for NFV traffic preciction. We evaluate the proposed model with two cloud workload traces. The results show the MAPE of prediction by the wavelet GMDH method improved by 7.2% in compare to best perevious work in recent papers.