MARC

 008250123s2024        us                              c    eng  d
■001000017161842
■00520250211151452
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382776712
■035    ▼a(MiAaPQ)AAI31296863
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aGong,  Junzhi.▼0(orcid)0000-0002-8939-9120
■24510▼aManaging  Virtualized  Network  Functions  in  the  Cloud
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a171  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Yu,  Minlan.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aIn  modern  networks,  network  functions  (NFs)  are  extensively  deployed  to  perform  specific  traffic  processing  functionalities,  such  as  firewalls,  intrusion  detection,  and  cellular  signal  processing.  More  and  more  network  operators  are  beginning  to  implement  network  functions  in  software  rather  than  specialized  hardware  appliances.  This  shift  brings  about  advantages,  including  improved  flexibility,  increased  feature  velocity,  and  mitigated  vendor  lock-ins.  Virtualizing  network  functions  (NFV)  is  the  emerging  trend  for  almost  all  networks,  including  ISPs,  clouds,  and  cellular  networks.However,  all  of  these  advantages  come  with  trade-offs.  First  of  all,  it  is  not  trivial  to  support  high  and  stable  performance  for  network  functions  on  commodity  servers.  Single-CPU  performance  can  no  longer  catch  up  with  network  traffic  rate,  which  pushes  network  functions  to  distribute  their  packet  processing  pipeline  across  multiple  servers.  Such  distribution  requires  significant  inter-server  (and  even  inter-CPU  core)  communications,  whose  overhead  becomes  scalability  bottlenecks  for  many  network  functions,  such  as  vRANs.  In  terms  of  packet  latencies,  both  software's  performance  jitters  and  in-network  queuing  contribute  to  unpredictable  latencies,  significantly  impacting  service  level  objectives  (SLOs)  for  many  NFs.Maintaining  good  performance  for  network  functions  is  equally  critical,  including  support  for  performance  diagnosis  and  resilience  to  small  service  disruptions.  Diagnosing  network  function  performance  problems  is  not  trivial,  as  these  problems  can  be  contributed  to  by  many  system-level  events  (e.g.,  cache  misses),  and  the  impact  of  such  events  can  propagate  across  network  functions  and  over  time.  Enabling  resilience  for  network  functions  includes  live  upgrades  and  failovers,  which  is  not  trivial  due  to  the  high  traffic  rate  and  the  black-box  nature  of  network  functions.In  this  dissertation,  we  propose  three  key  ideas  to  address  these  NFV  challenges.  The  first  key  idea  is  to  use  hardware  offloading  for  better  performance  and  predictable  latencies,  as  many  new  emerging  hardware  appliances  (e.g.,  SmartNICs,  radios)  offer  more  capabilities  to  help  packet  processing.  The  second  key  idea  is  to  identify  critical  minimum  states  inside  network  functions  to  support  different  network  function  systems.  This  helps  NFV  diagnosis  accurately  pinpoint  the  root  causes  and  reduces  the  time  spent  on  state  migration  for  NFV  resilience  events.  Another  key  idea  is  to  apply  domain-specific  knowledge  for  certain  network  functions  (such  as  vRANs),  allowing  developers  and  operators  to  design  optimized  pipelines  to  address  scalability  bottlenecks  and  apply  domain-specific  solutions  for  efficient  state  migrations.To  this  end,  we  design  four  novel  NFV  systems  for  different  NFV  challenges.  We  first  propose  Hydra,  a  scalable  distributed  massive  MIMO  system  for  vRANs,  which  uses  modern  hardware  radio  capabilities  to  reduce  inter-server  communication  overheads  and  uses  domain-specific  pipeline  design  to  reduce  inter-CPU  core  communication  overheads,  thereby  supporting  higher  scalability.  Hydra  is  the  first  system  to  support  150  antennas  and  32  users  within  three  servers.  We  then  propose  Octopus,  a  network  function  to  support  predictable  latencies  using  SmartNIC  offloading.  Octopus  repurposes  the  hardware  traffic  shaping  feature  on  SmartNICs  to  achieve  accurate  packet  arrival  time  on  the  receiving  side.  Octopus  is  the  first  system  to  support  predictable  packet  latencies  within  ~50  ns  variations.  Next,  we  propose  Microscope,  an  accurate  NFV  performance  diagnosis  system.  It  identifies  the  critical  in-network  queuing  information  for  diagnosis,  which  allows  us  to  accurately  pinpoint  why  a  network  function  suffers  from  long  tail  latency  issues  or  packet  drops.  Microscope  achieves  2.5  times  higher  accuracy  than  the  state-of-the-art  solution.  Finally,  we  propose  Atlas,  a  vRAN  resilience  solution  with  minimal  service  disruption.  Specifically,  it  first  applies  vRAN  domain-specific  knowledge  to  identify  the  critical  minimum  states  for  migration,  and  then  repurposes  vRAN-specific  protocols  to  help  migrate  those  states  without  modifying  the  source  codes.  Atlas  is  the  first  system  to  enable  resilience  for  vRANs,  and  it  can  mitigate  service  disruptions  within  a  second.
■590    ▼aSchool  code:  0084.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼a5G
■653    ▼aDiagnosis
■653    ▼aNetwork  function
■653    ▼aPerformance
■653    ▼aResilience
■653    ▼aVirtualization
■690    ▼a0984
■690    ▼a0464
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Computer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161842▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서