Network Function Virtualization (NFV) enables Network Operators (NOs) to efficiently respond to the increasing dynamicity of network services. Virtual Network Functions (VNFs) running on commercial off-the-shelf servers are easy to deploy, update, monitor, and manage. Such virtualized services are often deployed as Service Chains (SCs), which require in-sequence placement of computing and memory resources as well as routing of traffic flows. Due to the ongoing migration towards cloudification of networks, the concept of auto-scaling which originated in Cloud Computing, is now receiving attention from networks professionals too. Prior studies on auto-scaling use measured load to dynamically react to traffic changes. Moreover, they often focus on only one of the resources (e.g., compute only, or network capacity only). In this study, we consider three different resource types: compute, memory, and network bandwidth. In prior studies, NO takes auto-scaling decisions, assuming tenants are always willing to auto-scale, and Quality of Service (QoS) requirements are homogeneous. Our study proposes a negotiation-game-based auto-scaling method where tenants and NO both engage in the auto-scaling decision, based on their willingness to participate, heterogeneous QoS requirements, and financial gain (e.g., cost savings). In addition, we propose a proactive Machine Learning (ML) based prediction method to perform SC auto-scaling in dynamic traffic scenario. Numerical examples show that our proposed SC auto-scaling methods powered by ML present a win-win situation for both NO and tenants (in terms of cost savings).

中文翻译：

---

使用机器学习和协商博弈自动扩展网络服务链

网络功能虚拟化 (NFV) 使网络运营商 (NO) 能够有效地响应网络服务日益增加的动态性。在商用现成服务器上运行的虚拟网络功能 (VNF) 易于部署、更新、监控和管理。此类虚拟化服务通常部署为服务链 (SC)，这需要按顺序放置计算和内存资源以及路由流量。由于网络不断向云化迁移，起源于云计算的自动伸缩概念现在也受到网络专业人士的关注。先前关于自动缩放的研究使用测量的负载来动态响应流量变化。此外，他们通常只关注一种资源（例如，仅计算或仅网络容量）。在这项研究中，我们考虑三种不同的资源类型：计算、内存和网络带宽。在之前的研究中，假设租户总是愿意自动扩展，并且服务质量 (QoS) 要求是同质的，NO 会做出自动扩展决策。我们的研究提出了一种基于协商游戏的自动缩放方法，其中租户和 NO 都参与自动缩放决策，基于他们的参与意愿、异构 QoS 要求和财务收益（例如，成本节省）。此外，我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。在之前的研究中，假设租户总是愿意自动扩展，并且服务质量 (QoS) 要求是同质的，NO 会做出自动扩展决策。我们的研究提出了一种基于协商游戏的自动缩放方法，其中租户和 NO 都参与自动缩放决策，基于他们的参与意愿、异构 QoS 要求和财务收益（例如，成本节省）。此外，我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。在之前的研究中，假设租户总是愿意自动扩展，并且服务质量 (QoS) 要求是同质的，NO 会做出自动扩展决策。我们的研究提出了一种基于协商游戏的自动缩放方法，其中租户和 NO 都参与自动缩放决策，基于他们的参与意愿、异构 QoS 要求和财务收益（例如，成本节省）。此外，我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。我们的研究提出了一种基于协商游戏的自动缩放方法，其中租户和 NO 都参与自动缩放决策，基于他们的参与意愿、异构 QoS 要求和财务收益（例如，成本节省）。此外，我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。我们的研究提出了一种基于协商游戏的自动缩放方法，其中租户和 NO 都参与自动缩放决策，基于他们的参与意愿、异构 QoS 要求和财务收益（例如，成本节省）。此外，我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。我们提出了一种基于主动机器学习 (ML) 的预测方法，以在动态交通场景中执行 SC 自动缩放。数值示例表明，我们提出的由 ML 提供支持的 SC 自动缩放方法为 NO 和租户（在成本节约方面）提供了双赢的局面。