Moderne Dienste bestehen aus miteinander verbundenen Komponenten, die in Software implementiert sind. Dadurch können sie je nach Bedarf auf verfügbaren Rechenknoten im Netzwerk gestartet, gestoppt und skaliert werden. Durch diese erhöhte Flexibilität können die Kosten gesenkt und trotzdem die Dienstqualität verbessert werden. Gleichzeitig erfordert diese Flexibilität eine dynamische Skalierung und Platzierung von Diensten im Netzwerk sowie eine Zuweisung von Anfragen in Echtzeit. Eine solche dynamische Koordination ist eine zentrale Herausforderung in aktuellen und zukünftigen Anwendungen wie Netzwerk-Virtualisierung, Edge- und Cloud-Computing, 5G und 6G. Diese Dissertation motiviert und beschreibt das Koordinationsproblem, diskutiert Praxis-Anwendungen und präsentiert verschiedene Ansätze, die das Problem lösen. Teil I stellt drei konventionelle Koordinationsansätze vor. Diese sind ideal für bekannte Szenarien mit vorhandenem Expertenwissen, da sie auf vordefinierten Algorithmen oder Formalisierungen basieren. Teil II präsentiert vier weitere, lernende Koordinationsansätze. Diese Ansätze unterstützen entweder konventionelle Koordinationsansätze oder ersetzen diese vollständig durch selbstständiges Lernen. Dank maschinellen Lernens stützen sich die Ansätze weniger auf detailliertes Expertenwissen, sondern nutzen stattdessen verfügbare Daten, um Koordination zu lernen und sich an unterschiedliche Szenarien anzupassen. Die vorgeschlagenen Ansätze optimieren mehrere Ziele, reichen von zentralisierten bis zu verteilten Architekturen, konzentrieren sich auf verschiedene Aspekte und ergänzen sich gegenseitig. Insgesamt ermöglichen sie eine automatisierte und hochgradig optimierte Netz- und Dienstkoordination, die zu höherer Qualität und Effizienz führt.

Modern services typically consist of interconnected components, e.g., chained microservices, virtual network functions, or machine learning functions. As these components are implemented in software, they can be started, stopped, and scaled on demand on compute nodes in the network. This increased flexibility allows reducing costs while improving service quality. At the same time, it comes with new challenges, requiring dynamic service scaling and placement as well as flow scheduling and routing. Such dynamic coordination is a key challenge in network softwarization, edge and cloud computing, and 5G and beyond. This PhD thesis motivates and precisely states the problem of network and service coordination and discusses real-world use cases. The main contributions are several coordination approaches, which solve the problem by coordinating networks and services autonomously. Part I presents three conventional approaches, which are ideal for well-understood scenarios as they build on expert knowledge and follow hand-crafted algorithms or solve predefined mixed-integer linear programs. Part II proposes four approaches based on machine learning, either supporting conventional approaches or replacing them entirely using reinforcement learning. These approaches rely less on a priori or expert knowledge and instead leverage available data to learn coordination, self-adapting to unknown and changing scenarios. The proposed approaches in Parts I and II optimize multiple, even opposing objectives and use varying optimization techniques. They range from centralized to distributed architectures and focus on different coordination aspects, complementing each other. Overall, the proposed approaches enable automated and highly optimized network and service coordination for higher service quality and efficiency, leading to better user experience, lower costs, and reduced ...