Proactive SFC Provisioning with Forecast-Driven DRL in Data Centers

📄 arXiv: 2601.20229v1 📥 PDF

作者: Parisa Fard Moshiri, Poonam Lohan, Burak Kantarci, Emil Janulewicz

分类: cs.NI, cs.LG

发布日期: 2026-01-28

备注: 6 pages, 3 figures, Accepted to IEEE International Conference on Communications (ICC) 2026

💡 一句话要点

提出一种基于预测驱动的DRL方法，用于数据中心中主动式的SFC资源分配。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 服务功能链 深度强化学习 数据中心 资源分配 预测模型

📋 核心要点

  1. 传统静态资源分配方法在动态流量负载和应用需求下，容易导致数据中心资源过度分配或分配不足。
  2. 提出一种混合预测驱动的深度强化学习框架，利用预测模型预测未来资源可用性，指导SFC的主动式资源分配。
  3. 实验结果表明，该方法提高了资源密集型和延迟敏感型服务的接受率，并显著降低了端到端延迟。

📝 摘要（中文）

本文提出了一种混合的预测驱动深度强化学习（DRL）框架，用于数据中心（DC）中的服务功能链（SFC）资源分配。该框架结合了预测智能和SFC配置，利用DRL生成数据集，捕捉DC资源利用率和服务需求，并用于训练深度学习预测模型。通过基于Optuna的超参数优化，将表现最佳的模型（时空图神经网络、时间图神经网络和长短期记忆网络）组合成一个集成模型，以提高稳定性和准确性。集成模型的预测结果被整合到DC选择过程中，从而实现考虑当前和未来资源可用性的主动式资源分配决策。实验结果表明，该方法不仅保持了云游戏和VoIP等资源密集型服务的高接受率，而且显著提高了增强现实等延迟敏感型服务的接受率（从30%提高到50%），以及工业4.0的接受率（从30%提高到45%）。此外，基于预测的模型显著降低了VoIP、视频流和云游戏的端到端延迟，分别降低了20.5%、23.8%和34.8%。该策略确保了更平衡的资源分配，并减少了资源竞争。

🔬 方法详解

问题定义：论文旨在解决数据中心中服务功能链（SFC）资源分配效率低下的问题。传统静态资源分配方法无法适应动态变化的流量负载和服务需求，导致资源利用率不高，甚至影响服务质量。现有方法缺乏对未来资源需求的预测能力，难以做出最优的资源分配决策。

核心思路：论文的核心思路是结合深度强化学习（DRL）和深度学习预测模型，构建一个预测驱动的SFC资源分配框架。首先利用DRL生成数据集，然后训练深度学习模型预测未来的资源利用率和服务需求，最后将预测结果整合到DC选择过程中，实现主动式的资源分配。

技术框架：该框架包含以下主要模块：1) DRL Agent：负责与数据中心环境交互，生成资源利用率和服务需求的数据集。2) 深度学习预测模型：利用DRL生成的数据集训练时空图神经网络、时间图神经网络和长短期记忆网络等模型，预测未来的资源利用率和服务需求。3) 集成预测模型：将多个表现最佳的预测模型组合成一个集成模型，提高预测的稳定性和准确性。4) DC选择模块：根据集成预测模型的预测结果，选择合适的DC进行资源分配。

关键创新：论文最重要的技术创新点在于将深度学习预测模型与DRL相结合，实现主动式的SFC资源分配。与传统的静态资源分配方法相比，该方法能够根据未来的资源需求做出更合理的资源分配决策，提高资源利用率和服务质量。此外，使用集成预测模型进一步提高了预测的准确性和稳定性。

关键设计：论文使用Optuna进行超参数优化，选择最佳的预测模型。集成预测模型采用加权平均的方法，根据各个模型的性能赋予不同的权重。DRL Agent使用Actor-Critic框架，奖励函数的设计考虑了资源利用率、服务接受率和端到端延迟等因素。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在资源密集型服务（如云游戏和VoIP）上保持了较高的接受率，同时显著提高了延迟敏感型服务（如增强现实和工业4.0）的接受率，分别从30%提高到50%和30%提高到45%。此外，该方法还显著降低了VoIP、视频流和云游戏的端到端延迟，分别降低了20.5%、23.8%和34.8%。

🎯 应用场景

该研究成果可应用于各种需要动态资源分配的数据中心环境，例如云计算、边缘计算和网络功能虚拟化（NFV）等。通过提高资源利用率和服务质量，可以降低运营成本，提升用户体验，并支持更多新兴应用，如云游戏、增强现实和工业4.0等。

📄 摘要（原文）

Service Function Chaining (SFC) requires efficient placement of Virtual Network Functions (VNFs) to satisfy diverse service requirements while maintaining high resource utilization in Data Centers (DCs). Conventional static resource allocation often leads to overprovisioning or underprovisioning due to the dynamic nature of traffic loads and application demands. To address this challenge, we propose a hybrid forecast-driven Deep reinforcement learning (DRL) framework that combines predictive intelligence with SFC provisioning. Specifically, we leverage DRL to generate datasets capturing DC resource utilization and service demands, which are then used to train deep learning forecasting models. Using Optuna-based hyperparameter optimization, the best-performing models, Spatio-Temporal Graph Neural Network, Temporal Graph Neural Network, and Long Short-Term Memory, are combined into an ensemble to enhance stability and accuracy. The ensemble predictions are integrated into the DC selection process, enabling proactive placement decisions that consider both current and future resource availability. Experimental results demonstrate that the proposed method not only sustains high acceptance ratios for resource-intensive services such as Cloud Gaming and VoIP but also significantly improves acceptance ratios for latency-critical categories such as Augmented Reality increases from 30% to 50%, while Industry 4.0 improves from 30% to 45%. Consequently, the prediction-based model achieves significantly lower E2E latencies of 20.5%, 23.8%, and 34.8% reductions for VoIP, Video Streaming, and Cloud Gaming, respectively. This strategy ensures more balanced resource allocation, and reduces contention.