トポロジ構造に着目したネットワークの最適制御

ネットワーク機能仮想化(NFV)はネットワーク機能を従来の専用機器から分離し,仮想ネットワーク機能(VNF)として汎用機器上で実行することで,拡張性と柔軟性を備えたネットワークサービスを提供できます.NFVにおける資源割当問題の一つであるサービスチェイニングは資源制約の下で計算資源,ネットワーク帯域,必要な仮想ネットワーク機能の構成などのサービス要件が伴うサービス要求を満たすサービスパスを構築することを目的としています.サービスチェイニング問題はNP困難であることが知られており,効率的なネットワーク資源の利用だけでなく迅速なサービスの提供を考慮したサービスチェイニングの実現が求められます.また,拡張性と柔軟性を伴うNFVネットワークでは,ユーザのサービス要求に伴い仮想ネットワークのトポロジ構成が逐次変化することが想定されます.仮想トポロジ構成の変化は物理網上の資源割当状況に影響を与えるため,物理網と仮想網両方の接続性と特性を考慮して,ネットワーク資源を割り当てる必要があります.そこで本研究では,効率的なネットワーク資源の利用と迅速なサービスの提供を両立し,トポロジ構成の変化に追随可能なサービスチェイニングの実現を深層強化学習とグラフニューラルネットワークを活用して目指します.