论文流利读1
标题：Anomaly Detection and Root Cause Localization in Virtual Network Functions
年份：2016
来源：
评分：3.5
概要
异常检测就是性能违反了SLA。论文使用Clearwater项目建立IMS，以及fault注入工具，利用运行时VM或者Server产生的监控数据，这些数据能够表征系统级别资源的行为，利用监督学习，训练机器学习模型。
论文流利读2
标题：Statistical-based Anomaly Detection for NFV Services
年份：2016
来源：NFV-SDN
评分：3.5
概要
论文研究了NFV异常检测，即自动识别NFV服务中的异常，识别的异常相对其正常运行有重大偏离，并且无需任何预设的度量阈值，实现对故障的检测甚至是预测。NFV异常检测的两个特性是：1可以从不同的点（比如：云控制器、网络控制器、VM VNF 即Guest OS、VNF自身）获取数据信息；2.NFV的功能是处理网络流量，因此通常使用的资源量和流的数量和流的特性成一定的关系（并非总是线性）。
作者使用多元离群检测方法来检测（或者预测）异常，而非二分类方法（SVM，神经网络，逻辑回归）。因为二分类方法需要大量的数据集对应NFV操作异常和正常的标记，而且作者认为预测、计划（搞哪些异常）、重现异常很困难，故二分法不合适。介绍了两个多元离群检测方法：1.多元线性回归 2.马氏距离（Mahalanobis distance）。
实验平台：使用T-NOVA框架进行搭建NFV实验，T-NOVA的基本功能是从架构控制器获取指标数据。
论文流利读3
标题：NFVPerf: Online Performance Monitoring and Bottleneck Detection for NFV
年份：2016
来源：sdn-nfv
评分：4分
概要
提出NFVPerf，一个对nfv性能进行监控的框架。其优势在于不需要更改nfv内部的实现，仅通过论文描述的在每个软件交换机上设置端口镜像以及数据包捕获模块，相当针对一个VM，拷贝一份VM上进来/出去的数据包，进行计算时延和吞吐量。另外的一个重要部分是对nfv性能瓶颈的计算，nfv性能瓶颈比如吞吐量，主要是通过不断调整多个请求测试周期的负载，找到不造成丢包的最大的负载下的吞吐量值。计算出时延则和性能瓶颈则可以实现监控。
实验平台：基于openstack，使用IMS的 OpenIMSCore NFV作为搭建的nfv（主要为多媒体通信【声音和视频】服务，包括两种主要的请求）
论文流利读4
标题：边缘智能：边缘计算与 人工智能融合的新范式
来源：大数据 2019年2期
评分：4星
来自培侨
该文章把本团队（中山大学）在人工智能+边缘计算结合所做的工作一一进行描述，包括了（1）边缘计算驱动实时深度学习：如何对机器学习模型进行选择以及对模型进行拆分，合理部署在边缘以及主机上；（2）基于在线学习的自适应边缘服务放置机制，根据用户行为特征，利用在线学习方法——上下 文多臂老-虎机（contextual multi-armed bandit）不断探索动态系统从而动态生产最优策略。（3）基于位置预测的边缘服务迁移方法。对第二个描述的问题感兴趣，但是没看懂怎么实现对整体的动态网络通过历史数据进行分析评估，既上下文在线学习怎么学习的，最后利用汤普森采样评估选择最小代价的策略。
论文流利读5
标题：Topology-Aware Prediction of Virtual Network Function Resource Requirements
年份：17
评分3.5
来自 陈辉
提出了一种基于图神经网络的算法，该算法利用VNF转发图拓扑信息来预测每个VNF组件（VNFC）的未来资源需求。每个VNFC的拓扑信息是通过组合其过去的资源利用率以及来自其附近的VNFC对其建模的效果而得出的。来自作者16年的一篇很类似的文章（之前发过） ，改进点：1.根据vnf在通常架构中启动所需时间讨论更详细的目标。2.改进了状态计算步骤和学习训练过程3.进行了额外的实验，实现与简单的FNN方法进行对比，另外进行了调参工作
。