Non-invasive network analytics estimation for containerized network functions

Il passaggio da funzioni di rete implementate su hardware dedicato alla controparte realizzata tramite software ha reso le prestazioni dei sistemi di rete più ostiche da prevedere poiché diverse funzioni che condividono lo stesso hardware possono deteriorare le performance sia per la saturazione di risorse che per la mutua interferenza tra processi. Alle velocità di traffico odierne le misurazioni di velocità e latenza per pacchetto, diventano impraticabili; e l'operatore che ospita funzioni di terzi sulle proprie infrastrutture deve garantire la qualità del servizio senza conoscere i processi in utilizzo dagli utenti. Questa tesi esplora un metodo per osservare l'infrastruttura a basso impatto, nonostante l’alto throughput, l’interferenza dei processi e la difficoltà nel conoscere il layer applicativo in un sistema di rete. Sfruttando i contatori hardware delle Performance Monitoring Unit, si riconduce il comportamento microarchitetturale di una macchina ai Key Performance Indicators di rete nel caso di funzioni containerizzate. Funzioni reali sono misurate durante la competizione per le risorse, variando la collocazione dei processi interferenti nella topologia del sistema hardware, per stabilire come la sola telemetria hardware consenta di stimare la latenza percepita dal client e di distinguere il processo di interesse dalle sorgenti di interferenza. I risultati mostrano che dai soli contatori del processo osservato è possibile, tramite modelli di Machine Learning, ricostruire la latenza al 99° percentile secondo per secondo su esecuzioni mai viste in addestramento con R² = 0,87, che aumenta a 0,96 su un unico modello che copre payload di dimensioni diverse, individuare la collocazione dell'interferente fra cinque posizioni nell'hardware con accuratezza dell'83%, e riconoscere il regime di lavoro della funzione anche su un workload assente dall'addestramento senza alcuna visibilità sul software degli utenti.