مکانیابی زنجیره توابع سرویس موازی شده با استفاده مجدد از توابع شبکه مجازی در شبکه‌های مبتنی بر محاسبات ابر-مه

مجازی‏سازی تابع شبکه، جعبه‌های میانی سخت‌افزاری را به مجموعه‌ای از تابع شبکه مجازی مبتنی بر نرم‌افزار تبدیل می‌کند که می‌تواند میزبان تقاضای رو به رشد سرویس‌های حساس به تاخیر در شبکه های مبتنی بر محاسبات ابر-مه باشد. مکان‌یابی پویا زنجیره توابع سرویس با استفاده مجدد از نمونه های توابع شبکه می‌تواند منجر به بهبود استفاده از منابع و صرفه جویی در زمان شود. برای رسیدگی به این مسئله، ما یک روش مکان‌یابی زنجیره توابع سرویس موازی شده با استفاده مجدد از تابع شبکه در شبکه های مبتنی بر محاسبات ابر-مه را پیشنهاد می‏کنیم. در اینجا، مسئله مکان‌یابی با استفاده از رویکردهای یادگیری تقویتی عمیق باهدف حداکثر سازی پاداش تجمعی بلندمدت پیکربندی‌شده است. این روش با اشتراک گذاشته توابع شبکه به‌صورت موازی می‌تواند شتاب محاسباتی را در ارائه سرویس‌های آنلاین محقق کند. علاوه بر این، روش پیشنهادی با استخراج توزیع توابع شبکه مقداردهی شده توانایی پذیرش درخواست های آینده را افزایش می دهد. نتایج شبیه‌سازی برتری روش پیشنهادی نشان می‏دهد، جایی که با در نظر گرفتن معیار هزینه پولی بیش از 7% نسبت به بهترین روش های موجود عملکرد بهتری دارد.

placement of parallelized service function chain by reusing virtual network functions in fog-cloud computing-based networks

network function virtualization technology transforms hardware middleboxes into sets of software-based virtual network function (vnf ) that can host the growing demand for latency-sensitive services at the fog-cloud computing-based networks. dynamic placement of service functions chain by reusing (vnf) instances can improve resource utilization and save time. to address this problem, we propose a parallelized service function chain placement method by reusing (vnf)  in fog-cloud computing-based networks. here, the placement problem is configured using deep reinforcement learning approaches with the aim of maximizing long-term cumulative reward. by sharing (vnf) s in parallel, this method can achieve computational acceleration in providing online services. in addition, the proposed method increases the ability to accept future requests by extracting the distribution of the initialized (vnf) s. the simulation results show the superiority of the proposed method, where considering the monetary cost criterion of more than 7%, it performs better than the best existing methods.