dependabilidade na alocação de recursos em redes ... · dependabilidade na alocação de recursos...

Dependabilidade na Alocação de Recursos em Redes Virtuais:

Uma Heurística Aleatória com Busca Adaptativa

Marcelo Santos, Matheus Santana, Djamel Sadok, Stênio Fernandes

Centro de Informática – Universidade Federal de Pernambuco (UFPE)

Recife – PE – Brasil

{mabs, embs, jamel, sflf}@cin.ufpe.br

Abstract. Network Virtualization has become a central matter for the Future

Internet. Nevertheless, mapping virtual networks on the top of physical

infrastructure topology represents a NP-Hard problem due to its numerous

combinations and many node and link allocation constraints. Virtualized

structures are as failure-prone as its underlying physical infrastructure.

Hence, dependability attributes constitute relevant metrics for virtual network

allocation decision. This work proposes and evaluates a dynamic and random

networks allocation heuristic that takes into account of nodes and links

capacity attributes maximizing availability. Results show that the proposed

heuristic achieves an average availability of 95% while others algorithm

allocation techniques achieve an average of 60% for same dependability

metric.

Resumo. Virtualização de redes vem sendo um dos pilares da Internet do

Futuro. No entanto, mapear redes virtuais em uma topologia física é um

problema NP-difícil devido ao grande número de combinações e às diversas

restrições envolvidas na alocação de nós e enlaces virtuais. Falhas são

inerentes a estas estruturas virtualizadas, uma vez que a infraestrutura física é

propensa a falhas. Portanto, atributos de dependabilidade são importantes

para a decisão de alocação de uma rede virtual. Assim, este trabalho propõe e

avalia uma heurística aleatória adaptativa para alocação de redes virtuais

levando em consideração características de capacidade dos nós e enlaces

juntamente com atributos de dependabilidade buscando maximizar a

disponibilidade. Os resultados mostram que a heurística proposta alcança

uma disponibilidade média nas requisições de 95% contra 60% nas outras

estratégias.

1. Introdução

Redes Virtuais têm recebido grande atenção da comunidade de pesquisa nos últimos

anos. Tratada como umas das tecnologias para a Internet do Futuro, possibilita um meio

de avaliar novos protocolos e serviços figurando como uma importante tecnologia para

superar a barreira da ossificação da Internet. Uma de suas características chave é a

dinamicidade. Redes virtuais permitem a operadores de redes terem negociação em

tempo real sobre uma variedade de serviços entre seus usuários, operadores de serviços

virtuais (Virtual Network Operators -VNO) e provedores de redes virtuais (Virtual

Network Providers - VNP) [Schaffrath et al. (2009)].

As estratégias de gerenciamento de rede dependem de mecanismos de alocação

dinâmica dos recursos para a alocação das redes virtuais de forma eficiente e com alto

Anais do XIX Workshop de Gerência e Operação de Redes e Serviços– WGRS 2014

47

grau de desempenho. Para este fim, uma série de heurísticas foram propostas na

literatura [Zhu et al. (2006)] [Guo et al. (2011)] [Zhou et al. (2010)] [Chowdhury et al.

(2012)] para alcançar utilização eficiente dos recursos dos elementos de rede, como

enlaces, nós e roteadores, uma vez que a alocação ótima não é possível devido à

natureza NP-Difícil do problema.

Embora a alocação eficiente dos recursos de rede seja uma questão fundamental

a ser abordada, há ainda um ponto importante a ser discutido, originado pelo seguinte

questionamento: quais são os riscos associados a uma determinada rede virtual? É

normal que os riscos sejam inerentes às infraestruturas físicas utilizadas (nós e enlaces),

uma vez que os componentes de rede física subjacente são propensos a falhas. Podemos

citar, por exemplo, o recente acidente na nuvem da Amazon como um alerta de que

falhas técnicas ou de intervenção humana é uma realidade e não devem ser

negligenciadas [Gill et al. (2011)] [Benson et al. (2010)]. A avaliação e análise de risco

dos atributos de dependabilidade são de suma importância, uma vez que se pode

quantificar e dar medidas concretas para serem usadas como fator de decisão no

gerenciamento e controle da rede. Em poucas palavras, a dependabilidade pode ser vista

como um conceito geral que engloba a disponibilidade, confiabilidade, segurança,

confidencialidade, integridade e capacidade de manutenção [Maciel et al. (2011)]

[Laprie et al. 1985]. Dessa forma, expandido outros trabalhos, este artigo propõe e

avalia uma heurística aleatória adaptativa para alocação de redes virtuais levando em

consideração capacidades de nós e enlaces juntamente com atributos de

dependabilidade.

Através da utilização da modelagem baseada em Diagrama de Blocos de

Confiabilidade (RBD) [Guimarães et al. (2011)], nós fornecemos uma heurística para o

problema de mapeamento de redes virtuais (Virtual Networking Mapping Problem -

VNMP) que leva em consideração os riscos na virtualização de rede por meio de

métricas de dependabilidade. As principais Contribuições deste trabalho são duas: (i)

propomos uma heurística para VNMP que leva em consideração dependabilidade para

tomada de decisão da alocação; e (ii) uma base metodológica que permite o

desenvolvimento da análise de riscos na alocação de redes virtuais.

O restante do artigo é organizado da maneira descrita a seguir. Na seção 2 são

citados os trabalhos relacionados. Na seção 3 há uma breve discussão sobre conceitos de

Dependabilidade. Na seção 4 é dada uma definição sobre VNMP e é exibida a

modelagem do problema. A seção 5 apresenta a heurística desenvolvida. A seção 6

discute a metodologia. Na seção 7 são apresentados os resultados. Na seção 8

discutimos os resultados. Apresentamos as conclusões na seção 9. Por fim são citadas as

referências.

2. Trabalhos Relacionados

Em Sun et al. (2010) é proposto um modelo de dependabilidade para ambientes de

computação em nuvem, usando virtualização de nível de sistema (CDSV) que adota

várias métricas quantitativas para avaliar a dependabilidade. O foco é uma análise sobre

aspectos de segurança e a avaliação do impacto das propriedades de dependabilidade

dos componentes virtualizados em nível de sistema (por exemplo, máquinas virtuais,

hypervisor e afins). Da mesma forma, Saripalli et al. (2010) apresentam um impacto

quantitativo e uma metodologia de avaliação de risco a fim de avaliar riscos de


48

segurança em ambientes de computação em nuvem. Esses trabalhos dão uma visão de

como abordar a avaliação da dependabilidade em cenários com virtualização, porém

possuem um escopo mais simples quando comparados com um cenário de redes

virtualizadas.

Em Fernandes et al. (2012) é proposto um método para análise da

dependabilidade em ambientes de redes virtualizadas com o uso de diagrama de bloco

de confiabilidade (RBD) e Redes de Petri Estocásticas (SPN). Este é o primeiro trabalho

a analisar o impacto da dependabilidade em ambientes dinâmicos de virtualização de

redes. No entanto, este trabalho utiliza como entrada para análise da dependabilidade o

resultado da heurística R-ViNE [Chowdhury et al. (2012)]. É importante destacar que a

heurística R-ViNE não leva em consideração dependabilidade para realizar a alocação

de requisições virtuais. Sendo assim, a relevância se dá pelo vislumbre de uma primeira

avaliação sobre os aspectos de dependabilidade num cenário de redes virtualizadas.

O trabalho mais semelhante encontrado na literatura é realizado por Lira et al.

(2013). Neste trabalho é apresentada uma heurística baseada no GRASP para alocação

de redes virtuais considerando dependabilidade. No entanto, a meta-heurística utilizada

não tem como objetivo a maximização da dependabilidade. A dependabilidade

apresenta-se apenas como uma restrição informada pelo usuário. Ou seja, o objetivo da

alocação é minimizar o custo estabelecido pelos autores que não leva em consideração

atributos de dependabilidade na sua função objetivo, não sendo assim justa uma

comparação com a heurística proposta. Além disso, o trabalho apresenta resultados

preliminares, pois não apresentam dados em relação à carga de recursos físicos

utilizados e à taxa de aceitação das requisições. Dessa forma podemos afirmar que os

trabalhos embrionários de Fernandes et al (2012) e Lira et al (2013) serviram como

motivação para uma análise mais extensa e aprofundada apresentada neste artigo.

Com relação às heurísticas de alocação de redes virtuais, focamos - nos

próximos parágrafos - em dois trabalhos que foram utilizados para comparação de

nossos resultados. Deve-se notar que os trabalhos abaixo não levam em consideração

características de falha em suas soluções de mapeamento de redes virtuais. No entanto,

esta comparação é importante para mensurar o quanto a dependabilidade varia quando é

negligenciada durante o processo de alocação.

Zhu e Ammar (2006) propõem um algoritmo ganancioso cujo objetivo é

balancear a carga sobre os enlaces e nós físicos. No entanto, sua abordagem não

considera aspectos de capacidade, o balanceamento é realizado levando em

consideração apenas a quantidade de nós e enlaces virtuais mapeados sobre a rede

substrato. A ideia principal da estratégia utilizada é mapear um novo nó virtual em um

nó físico considerando a quantidade de nós virtuais nesse nó físico e a carga nos nós e

enlaces físicos vizinhos.

Em Chowdhury et al. (2012) o problema de alocação de redes virtuais é

modelado em função dos custos de receita do servidor com restrições de nós, enlaces e

geo-localização. O problema resultante é NP-difícil e, para resolvê-lo, é realizada uma

redução para um problema de otimização inteira mista e posteriormente há o

relaxamento sobre as restrições, culminando em dois algoritmos de aproximação: D-

ViNE e R-ViNE. D-ViNE possui uma abordagem determinística para mapeamento dos

nós baseada em uma solução linear relaxada. R-ViNE é similar, mas usa um

mapeamento de nós aleatório. Ambos os algoritmos possuem versões em que o enlace


49

virtual é mapeado através do menor caminho ou do particionamento do fluxo virtual em

mais de um caminho físico. É importante destacar que neste trabalho, os autores não

levam em consideração atraso dos enlaces como restrição de alocação. Na prática, tais

restrições são importantes para requisitos de aplicações que executam, por exemplo, na

Internet. Além disso, assume-se que uma mesma máquina física não pode receber mais

de uma máquina virtual de uma mesma requisição, tornando a busca por uma solução de

mapeamento mais difícil. Outra desvantagem é o fato de algumas variações do D-ViNE

e R-ViNE realizarem divisão de caminhos virtuais (mapeamento de um caminho virtual

em dois ou mais caminhos físicos). Na prática isso é difícil de ser realizado, não sendo

comum sua adoção. Por isso, decidimos comparar apenas a abordagem que utiliza a

alocação de enlaces pelo menor caminho chamada D-ViNE-SP.

Este levantamento não tem o objetivo de ser extensivo, dado que apenas os

artigos que consideramos mais similares ao nosso trabalho são citados. Para uma

extensa literatura sobre o problema de alocação de redes virtuais pode-se destacar o

trabalho de Fischer et al. (2013). É importante ressaltar que os autores desconhecem

qualquer trabalho que leve em consideração a dependabilidade como fator durante uma

alocação de uma rede virtual. Desta forma, não há trabalhos que possam ser analisados

diretamente com a heurística proposta, por isso, como no trabalho de análise de

dependabilidade realizado por Fernandes et al. (2012), comparamos nosso trabalho com

heurísticas bem conhecidas na literatura.

3. Dependabilidade

A dependabilidade de um sistema, de maneira simplificada, pode ser entendida como a

sua capacidade de fornecer um conjunto de serviços de forma justificadamente

confiável. Trata-se, em termos mais abrangentes, de um conceito guarda-chuva que

contempla vários atributos como, por exemplo, tolerância a falhas, disponibilidade e

confiabilidade [Laprie (1985)] [Ebeling (1997)]. Métricas de dependabilidade podem

ser calculadas por modelos combinatórios, como os Diagramas de Bloco de

Confiabilidade (Reliability Block Diagram - RBD) e árvores de falha ou por meio de

modelos estocásticos baseados em estado - cadeias de Markov (Markov Chains) e redes

estocásticas de Petri (Stochastics Petri Nets - SPN), por exemplo [Maciel et al. 2011]

[Nicol et al. 2004]. Para uma melhor compreensão dos modelos de confiabilidade pode-

se utilizar as referências [Maciel et al. 2011] e [Nicol et al. 2004].

Uma das principais características utilizadas para a avaliação da dependabilidade

de sistemas é a disponibilidade. A dependabilidade de um sistema pode ser calculada -

com os supracitados modelos combinatórios, por exemplo - através do cálculo das

disponibilidades dos dispositivos que o compõem. A maneira de se obter a

disponibilidade (A) de um determinado dispositivo é lançar mão das suas características

de tempo até a ocorrência de falha (TTF) e tempo até o reparo de uma falha ocorrida

(TTR). Considerando que essas medidas exatas não estão disponíveis, suas médias são

utilizadas. Valendo-se dos valores de tempo médio para falha (MTTF) e tempo médio

de reparo (MTTR) de um dispositivo, a disponibilidade de estado estacionário (A) pode

ser representada como:

(1)


50

O MTTF pode ser computado considerando a confiabilidade do sistema (R)

como segue:

∫ ( ) ∫ ( )

(2)

Este trabalho adota a disponibilidade como métrica de dependabilidade,

modelada por RBD. Diagramas de bloco de confiabilidade fornecem método para

avaliação de disponibilidade ou confiabilidade através do mapeamento de sistemas (e

seus subsistemas / dispositivos) em blocos que se configuram em série ou paralelo.

Depois de modelado o sistema, a avaliação é feita de acordo com as regras de cálculo

para cada uma das possíveis configurações. Para melhor entendimento da modelagem

com diagramas de bloco de confiabilidade, a referência [Trivedi et al. (2008)] pode ser

consultada.

Neste trabalho o modelo RBD utilizado tem o objetivo de calcular a

dependabilidade de uma requisição virtual alocada sobre uma topologia física. Como

explicado na próxima seção, os blocos que modelam uma requisição são dispostos

totalmente em série, sendo a dependabilidade de uma requisição virtual calculada

através da multiplicação da disponibilidade de todos os nós e enlaces físicos utilizados

no mapeamento da requisição virtual.

4. VNMP e Modelagem do Problema

Com o intuito de deixar o problema atacado neste artigo bem definido, vamos nesta

seção descrever e caracterizar formalmente o problema e sua respectiva modelagem

matemática através da extensão do trabalho de Infuhr et al. (2013). O problema de

alocação de redes virtuais é conhecido na literatura como VNMP (Virtual Network

Mapping Problem). Algumas informações são necessárias para especificar um VNMP:

rede de substrato com seus recursos disponíveis e redes virtuais que precisam ser

alocadas de acordo com seus requisitos e restrições específicas sobre os recursos

virtuais e físicos.

Para modelar a rede de substrato utilizamos um grafo não direcionado com

( ) onde representa o conjunto de nós e o conjunto de enlaces. Cada nó

da rede substrato tem uma capacidade de CPU . O recurso de CPU

disponível é utilizado por um nó virtual que é mapeado para um nó físico . Enlaces

da rede substrato tem uma capacidade de banda e um atraso .

Outro grafo não direcionado ( ) modela a rede virtual. Cada nó requer uma capacidade de CPU . Cada enlace virtual tem um requisito

de banda e um atraso máximo permitido . A soma do atraso de todos

os enlaces físicos para qual um enlace virtual foi mapeado não pode exceder . A

capacidade de banda de cada enlace físico deve ser respeitada, dessa forma a banda

exigida por cada enlace virtual mapeado em um mesmo enlace físico não deve

ultrapassar Por fim, a soma da capacidade requerida de CPU de cada máquina

virtual alocada em um nó não pode exceder a capacidade deste nó físico.

Os nós físicos da rede substrato em que um nó virtual pode ser alocado são

definidos pelo conjunto , cujo enlace virtual ( ), onde são nós

virtuais é definido por ( ) e ( ) , que representam

respectivamente fonte e destino. Dois componentes são então requeridos para solucionar


51

o problema VNMP: Um mapeamento tal que ( ( )) e um

caminho na rede substrato iniciando em ( ( )) até ( ( )) para cada

cujo o atraso não exceda .

Em nosso caso, o objetivo é maximizar a disponibilidade da requisição virtual a

ser alocada. A disponibilidade do nó físico é dada por para todo . Os

enlaces da rede substrato utilizados no mapeamento de um enlace virtual

possuem disponibilidade . Com base no modelo RBD definido para modelar a

disponibilidade das requisições virtuais, a disponibilidade de cada requisição é dada

pela multiplicação da disponibilidade de cada nó e enlace físico usados no mapeamento

da rede virtual. Assim, a função objetivo é maximizar a disponibilidade das requisições

virtuais.

5. Heurística

Esta seção descreve a principal contribuição deste trabalho: uma heurística aleatória

adaptativa (intitulada HRA) utilizada para alocação de redes virtuais em uma topologia

física. A heurística proposta é fortemente inspirada na metaheurística conhecida como

GRASP (Greedy Randomized Adaptive Search Procedure) [Infuhr et al. (2013)]. No

entanto, difere em alguma de suas características, por exemplo, não apresenta nenhum

método de busca local. Sua função objetivo é maximizar a dependabilidade de cada

requisição no momento de sua alocação. A descrição por meio de um pseudocódigo é

importante para que outros pesquisadores consigam replicar os experimentos realizados.

Notem que, devido a questões de espaço, a representação aqui fornecida trata de uma

simplificação do algoritmo implementado de fato.

O seu funcionamento geral é dado pelo algoritmo da Figura 1:

Entrada: SN = grafo da rede substrato,

VNS = coleção de grafos de requisições virtuais,

LIMITE_TENTATIVAS = número inteiro que limita a quantidade de iterações

possíveis quando não se encontra solução

1. início

2. para i ← 1, .., |VNS| faça

3. allocated ← false

4. tentativas ← 0

5. enquanto (tentativas < LIMITE_TENTATIVAS) e (allocated == false) faça

6. allocated ← alocar_requisição(VNS[i], SN, LIMITE_TENTATIVAS)

7. tentativas ← tentativas + 1

8. fim-enquanto

9. fim-faça

10. fim

Figura 1 – Método principal

O passo-a-passo é bastante direto e deve ser autoexplicativo. Um ponto de

destaque é a chamada à subrotina alocar_requisição (Figura 1), na linha 6. Essa, por sua

vez, funciona de acordo com o seguinte algoritmo:

Entrada: VNR = grafo da requisição virtual a ser alocada, SN, LIMITE_TENTATIVAS

1 início

2. alocado ← true


52

3. nó_virtual ← escolher_nó_aleatoriamente(VNR)

4. alocado ← alocar_primeiro_nó(nó_virtual)

5. se (alocado == false) faça

6. retorne false

7. fim-se

8. nó_virtual_base ← nó_virtual

9. nós_pendentes ← []

10. faça

11. para i ← 1, .., |vizinhos(nó_virtual_base)| faça

12. nó_virtual_destino ← vizinhos(nó_virtual_base)[i]

13. alocado ← alocar_nós(nó_virtual_base, nó_virtual_destino, SN, LIMITE_TENTATIVAS)

14. se (alocado == false) faça

15. retorne false

16. fim-se

17. nós_pendentes ← adicionar_elemento(nós_pendentes, nó_virtual_destino)

18. nós_pendentes ← remover_elemento(nós_pendentes, nó_virtual_base)

19. nó_virtual_base ← escolher_nó_aleatoriamente(nós_pendentes)

20. fim-faça

20. enquanto (|nós_pendentes| > 0)

21. retorne true

22. fim

Figura 2 – Método alocar_requisição

O método alocar_requisição (Figura 2) é chamado para alocação de uma

requisição específica. Ela escolhe, de maneira aleatória, um nó virtual inicial para dar

prosseguimento à alocação dos nós restantes. Após a alocação do primeiro nó virtual em

um nó físico, é realizada uma busca em largura para alocação dos nós virtuais vizinhos

(linhas 11 a 20). É importante salientar que a alocação é feita em pares pela subrotina

alocar_nós (linha 13).

O pseudocódigo da Figura 3 descreve alocar_nós, que usa uma lista de nós

físicos que podem acomodar uma possível alocação do nó virtual recebido na entrada. A

partir dessa lista é realizada uma busca adaptativa aleatória na tentativa de maximizar a

dependabilidade para o segmento da rede a ser alocado (linhas 17 a 29). Vale salientar

que, ao maximizar a disponibilidade da alocação de dois nós virtuais e seus respectivos

enlaces, estamos também maximizando a disponibilidade da requisição -- dado que a

disponibilidade total é calculada através do produto das disponibilidades de todos os

componentes. Isso se dá primacialmente devido à utilização do modelo RBD em série

para o cálculo da dependabilidade.

Entrada: nó_virtual_base, nó_virtual_destino, SN, LIMITE_TENTATIVAS

1. início

2. nó_físico_origem ← nó_físico_subjacente(nó_virtual_base)

3. solução ← []

4. se (está_alocado(nó_virtual_destino) == false) faça

5. para i ← 1, .., |nós_físicos(SN)| faça

6. nó_físico ← nós_físicos(SN)[i]

7. se (pode_alocar(nó_físico, nó_virtual_destino)) faça

8. ok ← checar_caminho_mais_curto(nó_físico_origem, nó_físico, nó_virtual_destino)

9. se (ok) faça

10. solução ← adicionar_elemento(solução, nó_físico)

11. fim-se


53

12. fim-se

13. // Filtra a lista com os nós físicos que possuem a maior disponibilidade

14. solução ← melhores_nós_físicos(solução)

15. melhor_solução ← 0

16. tentativas ← 0

17. enquanto (tentativas < LIMITE_TENTATIVAS) faça

18. nó_físico ← escolher_nó_aleatoriamente(solução)

19. disponibilidade ← calcular_disponibilidade(nó_físico_origem, nó_físico, nó_virtual_destino)

20. se (disponibilidade > melhor_solução) faça

21. melhor_solução ← disponibilidade

22. nó_solução ← nó_físico

23. fim-se

24. tentativas ← tentativas + 1

25. solução ← remover_elemento(solução, nó_físico)

26. fim-enquanto

27. se (está_definido(nó_solução)) faça

28. alocado ← alocar_nó_e_caminho(nó_físico_origem, nó_solução, nó_virtual_destino)

29. fim-se

30. retorne alocado

31. fim-se

32. retorne true

33. fim

Figura 3 – Método alocar_nós

6. Metodologia

6.1. Estratégias de Mapeamento

Foram selecionadas as estratégias D-ViNE-SP [Chowdhury et al. (2012)] e G-SP [Zhu e

Ammar (2006)] para comparação com a heurística proposta. D-ViNE-SP e G-SP foram

escolhidos por utilizarem um algoritmo de alocação baseada em um único caminho na

rede de substrato - ao contrário das outras variações do D-ViNE que particionam um

único enlace virtual em caminhos físicos diferentes. Tais trabalhos foram discutidos

mais detalhadamente na seção de trabalhos relacionados. Uma vez que nenhuma dessas

estratégias considera restrição de atraso, nós simulamos uma versão modificada de

nossa heurística para desconsiderar o atraso e quantificar o impacto desta restrição, no

entanto não houve diferença estatística entre as simulações, por isso apenas um caso é

exibido na seção de resultados.

6.2. Parâmetros de Dependabilidade

Dependendo do tamanho e complexidade do sistema (dependências complexas), o

sistema pode ser representado por um modelo ou particionado em modelos menores,

que representam partes do sistema (i.e., subsistemas), que fornecem métricas para a

avaliação de todo o sistema. Dessa forma, podemos considerar a rede virtual como

vários subsistemas. Modelando as relações entre os componentes de rede, os

subsistemas tiveram a disponibilidade calculada usando RBD.

Consideramos que um nó físico é composto por três componentes: CPU, disco

rígido e memória RAM. Assumimos um sistema RBD em série para estes componentes,

dessa forma, obtemos a disponibilidade do nó físico através do produto da

disponibilidade dos componentes que o compõem. A rede virtual formada é também

modelada em um sistema RBD em série, sendo a disponibilidade da requisição virtual


54

dada pela multiplicação da disponibilidade dos nós físicos, nos quais os nós virtuais

foram mapeados, pela multiplicação da disponibilidade dos enlaces físicos - utilizados

para mapear os enlaces virtuais que conectam os nós virtuais. Seus MTTFs e MTTRs

são baseados em [Kim et al. (2009)][ Fernandes et al. (2012)] e são exibidos na Tabela

1 (em horas). Semelhante a Fernandes et al. (2012), números aleatórios foram gerados

uniformemente no intervalo [35,100] para cada componente da rede física a fim de

determinar o seu MTTF de forma aleatória. Este número representa o percentual a ser

considerado para o MTTF. Os MTTRs são mantidos os mesmos para todos os

componentes.

Tabela 1. MMTF e MTTR para componentes do nó e enlace físico

CPU Disco Rígido Memória RAM Enlace

MTTF (h) 2500000 200000 480000 19996

MTTR (h) 1 1 1 12

6.3. Simulação e Métricas

Para executar as estratégias D-ViNE-SP e G-SP utilizamos o simulador desenvolvido no

trabalho de Chowdhury et al. (2012). Para a nossa heurística desenvolvemos um

simulador próprio. As entradas contendo as redes de substrato e requisições físicas

foram retiradas de Infuhr et al. (2012). O benchmark utilizado como entrada é público e

possibilita fácil replicação dos experimentos realizados neste artigo, necessitando de

apenas algumas modificações: transformação do grafo direcionado em não direcionado

e acréscimo dos atributos de dependabilidade na topologia física. Foi necessário ainda

realizar a adaptação do simulador de Chowdhury et al. (2012) para adicionar atributos

de dependabilidade e computar a dependabilidade das requisições alocadas.

As requisições são alocadas de maneira sequencial sem que haja tempo de vida,

ou seja, a última requisição alocada leva a rede ao estresse máximo de utilização de

recursos. Realizamos 30 simulações para cada estratégia de alocação considerando

tamanhos de rede substrato com 20, 30, 50 e 100 nós. Para cada simulação houve 40

requisições com tamanho variável, de acordo com o crescimento da rede física. Notem

que estas características estão definidas nos arquivo de entrada do benchmark utilizado

disponível em Infuhr et al. (2013). As métricas coletadas são descritas na Tabela 2. Para

cada métrica foi calculado o intervalo de confiança com 95% de nível de confiança

podendo ser visualizado em cada gráfico exibido na seção de resultados.

Tabela 2. Métricas coletadas durante as simulações

Métrica Descrição

Média da disponibilidade por requisição Média da disponibilidade de um conjunto de

requisições virtuais

Taxa de aceitação Quantidade de requisições de redes virtuais aceitas

dividida pelo número total de requisições

Utilização dos nós físicos Média da carga de cada nó físico dividida por sua

respectiva capacidade

Utilização dos enlaces físicos Média da carga de cada enlace físico dividida por sua

respectiva capacidade


55

Tempo de simulação Quantidade de tempo de execução de cada simulação

As simulações foram executadas na máquina com as seguintes

configurações: CPU Intel(R) Core(TM)2 Duo CPU E7300 @ 2.66GH; Placa de

vídeo nVidia GTX 550 TI Memória DDR5 de 2GB; Memória RAM de 2GB DDR2;

Disco rígido de 250GB 5400rpm e sistema operacional LinuxMint Release 14 (nadia).

7. Resultados

Nos gráficos de resultados vamos nos referir à heurística proposta neste artigo como

HRA (Heurística Randômica Adaptativa). Como explicado na seção 6.1, executamos a

heurística HRA com e sem restrição de atraso e não obtivemos resultado

estatisticamente diferente em nenhuma métrica coletada. Por esse motivo, os gráficos de

resultados exibem apenas a abordagem que leva em consideração o atraso por ser mais

próxima de um cenário real.

7.1. Disponibilidade

Retirando a média de cada estratégia de alocação de acordo com o tamanho da

topologia física, podemos ver na Figura 4 que a heurística HRA obtém resultados

estatisticamente bastantes superiores em relação às estratégias G-SP e D-ViNE-SP. A

disponibilidade média de uma requisição em uma rede de 20 nós, utilizando a heurística

HRA, obteve disponibilidade média de 0.9895 e 0.9593 para uma rede com 100 nós. As

demais estratégias obtiveram disponibilidade em torno de 0.6 ou menos.

Figura 4. Disponibilidade média de uma requisição por estratégia de alocação de rede virtual

7.2. Taxa de Aceitação

Outra métrica importante a ser analisada diz respeito à capacidade de a estratégia

utilizada conseguir alocar o máximo possível de requisições recebidas. Analisando a

Figura 5, vemos que a estratégia HRA possui grande eficiência em conseguir alocar

todas as requisições virtuais recebidas. Mesmo com a variação do tamanho da topologia,

a probabilidade da taxa de aceitação com uma rede física de tamanho 100 foi de 0.9875.

O resultado da heurística HRA tem como um dos seus pilares a simples

estratégia de alocar, em um mesmo nó físico, um ou mais nós virtuais de uma mesma

requisição. Diferentemente de outras estratégias que restringem a alocação de nós

virtuais de uma requisição em nós físicos distintos. Dessa forma, analisando mais


56

detalhadamente em nosso simulador (heurística HRA) o comportamento do

mapeamento dos nós e enlaces virtuais, chegamos ao resultado de nenhuma rejeição por

falta de recurso em nós físicos da rede substrato. As poucas rejeições que ocorreram se

deram pela impossibilidade de formar um caminho que conectasse um dos nós da rede

virtual devido às restrições da requisição (banda ou atraso).

Figura 5. Taxa de aceitação

7.3. Utilização dos Nós

Analisando a utilização (carga/capacidade) média dos nós da rede substrato (Figura 6), a

heurística HRA obteve uma alta utilização dos nós quando comparada a outras

estratégias de alocação. Esse resultado é justificável devido a grande taxa de aceitação

das requisições pela heurística HRA e pelo fato de haver concentração de nós virtuais de

uma mesma requisição em um mesmo nó físico, fazendo com que haja uma utilização

maior nesse nó físico.

Figura 6. Utilização dos Nós físicos da rede substrato

7.4. Utilização dos Enlaces

Quando analisamos a utilização dos enlaces da rede substrato (Figura 7), vemos que

aparentemente a heurística HRA estressa menos os enlaces, mas devido ao intervalo de

confiança sobrepostos, temos resultados estatisticamente equivalentes. Um ponto a ser

destacado é que por alocar mais nós virtuais, a heurística HRA deveria ocupar mais

enlaces físicos após o mapeamento, e consequentemente aumentar a utilização média

dos enlaces físicos. No entanto, quando dois ou mais nós virtuais são alocados num

mesmo nó físico temos, provavelmente, a redução de um enlace virtual que ocuparia

recursos de enlaces físicos. Diferentemente das outras estratégias que não fazem uso

dessa abordagem de alocação.


57

Figura 7. Utilização dos Enlaces da rede substrato

7.5. Tempo de Execução

O tempo de execução médio de cada simulação pode ser visto na Figura 8 utilizando

uma escala medida em segundos. Pode-se observar que a heurística HRA resolve o

problema mais rapidamente na maioria das comparações, não sendo nunca mais lenta.

Note que o tempo de execução para a estratégia D-ViNe com 30 replicações numa

topologia de 100 nós o tempo de execução é de cerca de 10 horas, enquanto a heurística

HRA executa em aproximadamente 3 minutos.

Figura 8. Tempo médio de execução (segundos)

8. Discussão

A heurística HRA obteve resultados expressivos com bons índices de disponibilidade

quando comparada a outras estratégias de alocação bem referenciadas na literatura. Com

requisitos cada vez maiores por parte de clientes para utilização de serviços confiáveis e

acordos mais rígidos de SLAs (Service Level Agreement) a serem cumpridos pelos

provedores de infraestrutura, negligenciar atributos de dependabilidade não é uma

alternativa viável, dados os resultados apresentados neste trabalho.

Um ponto importante a ser destacado é que a heurística HRA possui uma nuance

em relação às outras estratégias comparadas: HRA permite a alocação de um ou mais

nós virtuais de uma mesma requisição virtual num mesmo nó físico. Embora simples

essa diferença mostrou-se significativa, dado que o objetivo da heurística HRA é

maximizar a dependabilidade. Não obstante, a heurística obteve resultados superiores na

taxa de aceitação de requisições e mesmo assim não produziu mais sobrecarga nos

enlaces da rede substrato quando comparada a outras estratégias.


58

Outro aspecto relevante é que ao simularmos os mapeamentos das requisições

ignorando a restrição de atraso não obtivemos diferenças significativas em nenhuma

métrica coletada quando comparamos o HRA com e sem restrição de atraso. Tal

resultado indica uma perspectiva de adaptação da heurística HRA mesmo neste tipo de

cenário. Por fim, por ser uma estratégia que pode ser considerada como gananciosa, a

heurística HRA foi mais rápida em encontrar soluções em praticamente todas as

comparações realizadas, não sendo em nenhum momento mais lenta que as estratégias

comparadas.

9. Conclusão

Este artigo apresentou uma heurística aleatória adaptativa para alocação de redes

virtuais considerando atributos de dependabilidade, requisitos e restrições de atraso,

CPU e banda. O objetivo da heurística é maximizar a disponibilidade de cada requisição

alocada.

A heurística proposta apresentou melhores resultados com as abordagens

comparadas em métricas importantes como taxa de aceitação e carga nos enlaces da

rede. A dependabilidade com o uso da heurística variou entre 95,93% e 98,95% de

acordo com o tamanho da topologia da rede substrato, enquanto outras abordagens se

mantiveram em 60% ou menos, demonstrando que ignorar esta característica torna a

alocação de uma requisição muito mais propensa à falha. Ou seja, comparando outras

estratégias com a heurística HRA, fica claro que o impacto sobre a dependabilidade

quando não se leva em consideração atributos de dependabilidade no processo de

alocação pode consequentemente ocasionar uma grande queda na confiabilidade das

redes virtuais alocadas.

Em trabalhos futuros pretendemos levar em consideração variação da

probabilidade de falha de um nó físico quando a carga desse nó aumenta, inserindo

ainda na modelagem do problema restrição de dependabilidade do cliente e/ou servidor.

Pretendemos utilizar ainda outras métricas de dependabilidade em experimentos futuros,

analisando o problema mais detalhadamente.

Referências

Benson, T., Sahu, S., Akella, A., & Shaikh, A. (2010) “A first look at problems in the

cloud”. 2nd USENIX conference on Hot topics in cloud computing (HotCloud'10)

Chowdhury, M., Rahman, M. R., & Boutaba, R. (2012). “ViNEYard: Virtual network

embedding algorithms with coordinated node and link mapping”. IEEE/ACM

Transactions on Networking (TON), 20(1), 206-219.

Ebeling, C. E. (1997) “An introduction to reliability and maintainability engineering”

(pp. 58-69). New York, NY: McGraw Hill.

Fernandes, S., Tavares, E., Santos, M., Lira, V., & Maciel, P. (2012) “Dependability

assessment of virtualized networks”. In Communications (ICC), 2012 IEEE

International Conference on (pp. 2711-2716). IEEE.

Fischer, A., Botero, J., Beck, M., De Meer, H., & Hesselbach, X. (2013) "Virtual

network embedding: A survey", in IEEE Communications Surveys & Tutorials.


59

Gill, P., Jain, N., & Nagappan, N. (2011) “Understanding network failures in data

centers: measurement, analysis, and implications”. In ACM SIGCOMM Computer

Communication Review (Vol. 41, No. 4, pp. 350-361). ACM.

Guimarães, A., Maciel, P., Matos Jr, R., & Camboim, K. (2011). Dependability analysis

in redundant communication networks using reliability importance. In The 2011

International Conference on Information and Network Technology.

Guo, T., Wang, N., Moessner, K., & Tafazolli, R. (2011) "Shared Backup Network

Provision for Virtual Network Embedding," Communications (ICC), IEEE International

Conference on, pp.1-5, 5-9

Infuhr, J., Raidl, G.R. (2012) "The Virtual Network Mapping Problem benchmark set",:

https://www.ads.tuwien.ac.at/projects/optFI/, acessado em Dezembro de 2012.

Infuhr, J., Raidl, G.R. (2013) "GRASP and Variable Neighborhood Search for the

Virtual Network Mapping Problem.", Hybrid Metaheuristics. Springer Berlin

Heidelberg, 2013. 159-173.

Lira, V. et al., "Virtual Network Resource Allocation Considering Dependability

Issues", In: IEEE 13th International Conference on Computer and Information

Technology (CIT2013), Sidney, 2013

Kim, D. S., Machida, F., & Trivedi, K. S. (2009) “Availability modeling and analysis of

a virtualized system”. In Dependable Computing, 2009. PRDC'09. 15th IEEE Pacific

Rim International Symposium on (pp. 365-371). IEEE.

Laprie, J. C. (1985). “Dependable computing and fault-tolerance”. Digest of Papers

FTCS-15, 2-11.

Maciel, P., Trivedi, K. S., Matias, R., & Kim, D. S. (2011). Performance and

Dependability in Service Computing: Concepts, Techniques and Research Directions,

ser. Premier Reference Source. Igi Global.

Nicol, D. M., Sanders, W. H., & Trivedi, K. S. (2004) “Model-based evaluation: from

dependability to security”. Dependable and Secure Computing, IEEE Transactions.

Saripalli, P., & Walters, B. (2010) “QUIRC: A Quantitative Impact and Risk

Assessment Framework for Cloud Security”. In Cloud Computing (CLOUD), 2010

IEEE 3rd International Conference on (pp. 280-288). IEEE.

Schaffrath, G., Werle, C., Papadimitriou, P., Feldmann, A., Bless, R., Greenhalgh, A.,

& Mathy, L. (2009) “Network virtualization architecture: proposal and initial

prototype”. (VISA '09). ACM, New York, NY, USA, 63-72.

Sun, D., et al. (2010) “A Dependability Model to Enhance Security of Cloud

Environment Using System-Level Virtualization Techniques”. In Pervasive Computing

Signal Processing and Applications (PCSPA), IEEE.

Trivedi, K. S. (2008) “Probability & statistics with reliability, queuing and computer

science applications”. John Wiley & Sons.

Zhou, Y., Li, Y., Sun, G., Jin, D., Su, L., & Zeng, L. (2010) "Game Theory Based

Bandwidth Allocation Scheme for Network Virtualization," IEEE GLOBECOM.

Zhu, Y., & Ammar, M. H. (2006) “Algorithms for Assigning Substrate Network

Resources to Virtual Network Components”. In INFOCOM (pp. 1-12).


60

dependabilidade na alocação de recursos em redes ... · dependabilidade na alocação de recursos...

Documents