--TÓM TẮT NỘI DUNG: Với sự phát triển của công nghệ trong một vài năm gần đây, và sự ra đời của ảo hóa chức năng mạng (Network Function Virtualization - NFV) đã tạo ra rất nhiều lợi ích đối với doanh nghiệp từ việc tối ưu chi phí vận hành (OpEx) và đầu tư (CapEx) đồng thời tăng khả năng mở rộng (Scalability) và tăng tính linh hoạt đối với hệ thống. Đó là sự chuyển dịch từ việc quản lý thiết bị vật lý sang quản lý phần mềm nhưng đây cũng là một thách thức đối với đội ngũ kĩ sư vận hành hệ thống luôn phải đối mặt với các sự cố đặc trưng của phầm mềm bao gồm các lỗi phần cứng, lỗi cấu hình, kể cả việc lỗi do con người gây điều này đã gây ra thiệt hại cả về mặt tài chính lẫn làm tác động chất lượng dịch vụ (QoS). Đây cũng chính là động lực nghiên cứu của chúng tôi đồng thời giải quyết bài toán làm thế nào để có thể dự đoán được các lỗi đặc trưng của NFV và sự cố về mặt phần cứng sắp xảy ra trong tương lai gần nhằm chuyển từ trạng thái 'phản ứng sau sự cố' sang 'chủ động phòng ngừa', từ đó nâng cao độ tin cậy và giảm thiểu thời gian gián đoạn dịch vụ. Ý tưởng chính đó là việc sử dụng các thuật toán học máy để có thể xử lý và dự đoán lỗi đối với các dữ liệu time series trong môi trường mạng ảo hóa chức năng. Trong nghiên cứu này, chúng tôi thử nghiệm các thuật toán học máy và trí tuệ nhân tạo trong môi trường NFV để đánh giá khả năng phát hiện lỗi sớm của các giải pháp đối với các chức năng mạng ảo.
-GIỚI THIỆU
Bằng việc ảo hóa các chức năng mạng và tách khỏi các thiết bị phần cứng và vị trí vật lý, kiến trúc (NFV) mang đến cơ hội to lớn để cải tiến cơ chế vận hành mạng và nâng cao chất lượng dịch vụ. Các chức năng mạng giờ đây được triển khai dưới dạng phần mềm và chạy trên phần cứng thông dụng cung cấp mức độ linh hoạt và nhanh nhẹn cao, cũng như khả năng khắc phục lỗi nhanh chóng. Điều này cho phép các nhà vận hành và cung cấp dịch vụ mạng linh hoạt triển khai các dịch vụ tới người dùng với chi phí tối ưu. [1]. Bên cạnh các lợi ích to lớn của việc áp dụng NFV vào hoạt động vận hành, điều phối và cung cấp dịch vụ mạng, môi trường NFV tiềm ẩn nhiều thách thức. Một trong số đó là các lỗi phát sinh đối với các chức năng mạng ảo (Virtual Network Function - VNF) 1 Nhận thức được tiềm năng của NFV, cũng như là vai trò quan trọng của giảm thiểu gián đoạn dịch vụ, vài năm gần đây, vấn đề phát hiện và khắc phục lỗi trong vận hành của hệ thống NFV thu hút được sự quan tâm của nhiều nhà nghiên cứu đến từ cả môi trường học thuật lẫn doanh nghiệp. Nghiên cứu [2] đề xuất một kiến trúc giám sát toàn diện, bao quát cả các chức năng mạng ảo lẫn hạ tầng vật lý (Network Functions Virtualization Infrastructure - NFVI); trong đó quy trình tương quan cảnh báo được áp dụng để xác định nguồn gốc lỗi và lựa chọn hành động khắc phục phù hợp như khởi động lại VNF, di chuyển máy ảo hay mở rộng quy mô. Kết quả cho thấy hệ thống có khả năng tự động hóa quá trình phục hồi, giảm đáng kể thời gian sửa chữa trung bình (MTTR) và đảm bảo tính sẵn sàng cao (HA). Không chỉ giới hạn ở mức mô hình, nghiên cứu [3] đề xuất các chiến lược phục hồi NFV sau sự cố hàng loạt trong mạng quang 5G. Nghiên cứu tận dụng tính có thể lập trình của mạng 5G để thực hiện di chuyển VNFs phục hồi thông minh sau thảm họa. Các tác giả phát triển thuật toán ClusPRi (biến thể của ClusPR), ưu tiên phân bổ tài nguyên cho lưu lượng giao thông quan trọng khi phân bổ sau thảm họa, và bổ sung ưu tiên định tuyến để tăng tốc quá trình phục hồi giao tiếp. Kết quả thực nghiệm cho thấy việc lựa chọn chiến lược phục hồi phù hợp giúp tăng tốc khôi phục dịch vụ quan trọng lên vài giờ trong một số kịch bản thảm họa, và ClusPRi với ưu tiên định tuyến cải thiện đáng kể tốc độ khôi phục giao tiếp so với ClusPR gốc. Các tác giả cung cấp khung làm việc đánh giá hiệu năng của các chiến lược phục hồi trên mạng quang, đóng vai trò quan trọng trong việc đảm bảo khả năng phục hồi của dịch vụ quan trọng trong kỷ nguyên 5G . [1] Elmajel và các cộng sự đã giới thiệu một kỹ thuật đổi mới để xác định, định vị và nhận dạng các lỗi trong hệ thống NFV. Các tác giả đã áp dụng việc kích hoạt lỗi gây căng thẳng CPU, đĩa và mạng trên hệ thống ClearWater IMS trên OpenStack và tạo ra một tập dữ liệu kiểm soát cho kỹ thuật của mình. Bài báo tác giả cũng phân tích bốn thuật toán học máy (KNN, Max-Likelihood, XGBoost, Random Forest). Nghiên cứu cho thấy hai thuật toán XGBoost, Random Forest đã hoạt động tốt hơn các thuật toán còn lại (F1 cho định vị và nhận dạng đạt khoảng 81-82%, và phát hiện nhị phân có độ chính xác / độ nhạy khoảng 93-94%). Trong nghiên cứu này, chúng tôi so sánh và đánh giá nhiều mô hình học máy khác nhau trong bài toán dự đoán lỗi sớm đối với các chức năng mạng ảo trong môi trường NFV. Các mô hình được phân thành ba nhóm: (i) các thuật toán học máy truyền thống , (ii) các mô hình học kết hợp và (iii) nhóm học sâu cho dữ liệu chuỗi thời gian.