CN102394812A - 一种认知网络自反馈动态自适应资源分配方法 - Google Patents

Abstract

本发明公开了一种认知网络自反馈动态自适应资源分配方法，分为两个部分：资源利用率策略和用户满意度策略。通过认知模拟退火算法，在认知网络架构基础上，针对网络状态在资源充足和不充足的情况，分别实现不同的资源分配策略，从而实现了自适应的资源分配。本发明实现简单，能够灵活控制，通过控制平面监控网络状态（业务的时延、抖动、丢包率和速率）实现了网络的动态反馈。

Description

一种认知网络自反馈动态自适应资源分配方法

技术领域

本发明涉及认知网络资源分配方法，属于计算机网络领域。

背景技术

消息在认知网元代理中传播可以分为横向传播和纵向传播，横向传播是指消息沿着物理或逻辑连接水平传播，纵向传播是指这个消息沿着协议栈垂直地传播。为了实现网络的认知性，认知网络在传统的OSI（Open System Interconnect，开放式系统互连）七层模型的基础上，增加了认知跨层接口，它的具体模型如图1所示。认知跨层接口负责与三个平面交互，它们分别是用户平面、认知平面和控制平面。

认知跨层接口是独立于传统的 OSI 七层结构的，认知网络是在传统网络的基础上进行了改进，从而自适应地实现端到端的QoS保证。认知跨层接口负责和网络OSI各层进行通信，然后在用户平面分析用户的业务QoS需求，在认知平面进行决策，并将结果反馈给控制平面对网络实现控制。用户平面用来反映用户的需求，不同的用户和业务对QoS的优先级不同。数据业务对吞吐量的要求比较高，而对延迟的要求相对低一些；视频业务对丢包率的要求要低一些，对延迟和吞吐量的要求却非常高。

目前对于网络资源分配的研究虽然已经有了一定程度的关注，但是还没有一套切实可行的方案。

发明内容

本发明所要解决的技术问题是针对目前网络资源分配的问题，提供一种认知网络自反馈动态自适应资源分配方法，提高网络资源利用率，从而保证了网络业务的QoS。

本发明为解决上述技术问题采用以下技术方案：

一种认知网络自反馈动态自适应资源分配方法，具体包括如下步骤：

步骤A，首先使认知平面处于监听用户请求的状态，当有某用户发起业务请求T _s 时，用户平面将该业务请求的业务等级参数W _s 传递给认知平面；

步骤B，认知平面在数据库中查找由该用户发起的，所有低于步骤A所述业务等级参数W _s 的业务请求，组成业务集T=﹛T₁…T _N ﹜；N为在认知域内某一时刻任务集中正在运行的业务的总数，                                                

；

步骤C，认知平面启动基于权值的认知模拟退火遗传算法，首先获得资源策略R₁…R _N ，然后由获得的资源策略分别计算各业务的适应度函数值；

步骤D，如果业务集中业务的适应度高于0.9，直接将该业务交付给控制平面执行；

对于业务集中适应度小于0.9的业务，则将该业务的请求交付给用户平面，用户平面允许执行的业务就交付给控制平面执行，对于不允许执行的业务就终止执行。

进一步的，本发明的一种认知网络自反馈动态自适应资源分配方法，步骤C所述基于权值的认知模拟退火遗传算法的具体步骤如下：

步骤1），编码设计：

由任务的资源代号与分隔符一起组成染色体，对染色体的编码采用自然数直接编码的形式，把业务集T中N个任务的M维资源代号依次排列作为基因，即：

基因编码为(R₁，…，R _N )=(R₁₁，R₁₂，…，R_1M ，…，R _N1，…，R _NM )，其中R _si 为第s个任务T _s 的第i维资源的取值，

,

；

设j是资源R _si 可能的取值，假设每维资源可取的资源个数都是c，则

；其中对于单个业务，在每一维资源中只能有一个资源被选中；

步骤2），根据资源充足与否分别进行适应度函数设计：

2)-A：当资源充足时：

假设每个业务QoS参数的维数为k，令资源R _ij  表示第i维资源的第 j 个资源，每个资源都具有自己的QoS 属性R’ _ij =[ R’ _ij1，R’ _ij2，…，R’ _ijt]，其中t表示该维资源的QoS属性个数；

对于单个业务，在选择某一个资源组合后，联合M维的资源选择情况，将整体资源的QoS属性转换为与k维业务QoS参数相同量纲的向量R _s =[RQ₁，RQ₂，…，RQ _k ]，业务满意度适应度函数如下：

其中，代表第s个业务的第i个QoS参数占整个QoS的比重的权值，U _s 代表业务T _s 的整体用户满意度，表示业务T _s 的权重；

表示业务T _s 使用的资源整体的QoS属性和该业务QoS 需求的距离；

2)-B：当资源不充足时：

业务的适应值正比于

，其中

表示业务T _s 的权重，

表示M维资源的总资源，

表示业务T _s 获取的资源；当T₁，…，T_N的M维资源取

时，令资源利用情况函数为：

对于任务T _s ，有M维资源，将M引入上面的公式中，资源利用率适应度函数为：

其中，R _ij  表示第i维资源的第 j 个资源，

表示第i维资源的总资源；

步骤3），选择操作：根据步骤2）计算出的适应度，采用赌盘选择算子在基因群体中选择适应值大的个体产生新一代群体；

步骤4），交叉操作：选用单点交叉替换重组两个父代个体的部分结构，生成新个体的操作，当子代的性能未优于父代的性能时，使用退火选择法；

步骤5）：变异操作：采用基本位变异方法对基因群体的个体串的某些基因座上的基因值变动，在变异后再次启动退火选择法来判断是否要替代原来的基因；

步骤6），终止条件：当种群中的最优个体在连续若干代没有得到改进，或平均适应度在连续若干代基本没有改进时，停止算法。

进一步的，本发明的一种认知网络自反馈动态自适应资源分配方法，步骤2）所述资源充足与否的判断标准是：当实际网络中不能满足QoS目标的业务不足1%时，认为网络资源充足，反之则认为网络资源不充足。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明在认知网络架构基础上，针对网络状态在资源充足和不充足的情况下，实现不同的资源分配策略，从而实现了自适应的资源分配。本发明实现简单，能够灵活控制，通过控制平面监控网络状态（业务的时延、抖动、丢包率和速率）实现了网络的动态反馈。

附图说明

图1是认知网络体系架构示意图。

图2 是选择操作流程图。

图3 是交叉操作流程图。

图4 是变异操作流程图。

图5 是认知平面资源分配的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明为解决认知网络资源分配的问题，提出一种WBCSAGA（- weighted based cognitive simulated annealing genetic algorithm，基于权值的认知模拟退火遗传）算法，用于完成认知域内用户平面到认知平面的资源分配。

下面对WBCSAGA算法进行详细说明：

步骤一：编码设计。

运用遗传算法解决业务的网络资源组合优化的问题时，首先要表示该问题的可行解，也就是对解空间进行适合的编码。理论上而言，编码应该要适合待解决的问题，而不是仅仅在描述问题。

对染色体的编码采用自然数直接编码的形式，把业务集T中N个任务的M维资源代号依次排列作为基因，任务的资源代号与分隔符一起组成染色体。即基因编码为(R₁，…，R_N)=(R₁₁，R₁₂，…，R_1M，…，R_N1，…，R_NM)，其中R_si为第s个任务T_s的第i维资源的取值，N为在认知域内中某一时刻任务集中正在运行的业务的总数，M为在认知域内资源的维数，其中

，，j是R_si的第s个任务的第i维资源可能的取值，这里假设每维资源可取的资源个数都是c，则

。对于单个业务而言，在每一维资源中只能有一个资源被选中。

步骤二：适应度函数设计。

在染色体每一代产生的过程中，通过适应度函数的值来评价不同染色体的优劣。适应度函数是与一些最优化问题的目标函数相关的，它在整个遗传算法中决定了染色体搜索的方向，并且和遗传算法的收敛速度以及能否找到最优解直接相关。

在设计适应度函数时，主要从以下两个角度出发进行设计：

(一)在资源充足的前提下尽量提高用户满意度，并且优先保证高优先级用户的满意度；

(二)在资源不充足的时候尽量提高资源的整体利用率，并且优先级高的业务提供更多的资源。

下面分别对这两种情况下分别设计适应度函数如下：

情况一，当资源充足时：

假设每个业务服务质量参数的维数为k，资源R_ij表示第i维资源的第 j 个资源，每个资源都具有自己的QoS属性R’_ij=[ R’_ij1，R’_ij2，…，R’_ijt]，t表示该维资源的QoS属性个数。对于单个业务而言，在选择某一个资源组合后，联合M维的资源选择情况，可以将整体资源的QoS属性转换为与k维业务服务质量参数相同量纲的向量R_s=[RQ₁，RQ₂，…，RQ_k]。若业务的应用QoS属性选择：时延、抖动、丢包率和速率，资源选择计算资源、存储资源和网络资源，则将资源的QoS属性转换成应用QoS属性的公式如下：

     根据资源的QoS属性得到业务的k维QoS属性后，该k维QoS属性分别和业务的QoS属性一一对应，方便计算某一个业务在该资源组合下的用户满意度。每个业务请求在M维资源中分别只能选择一个资源，在计算用户满意度之前，必须保证选出的M个资源总的 QoS 参数属性满足业务所承诺的QoS向量Q=[Q₁，Q₂，…， Q_k]，即对于任意一个QoS参数，只要它是保障型QoS，即isBestEffort=0，则必须满足：

RQ_k<Q_k

RQ_k<Q_k表示资源的第k维QoS参数属性能够满足用户的QoS需求。此时，该资源组合是可行解，再计算该资源组合的用户满意度，否则重新选择资源。

当选择的资源组合是可行解时，再进一步计算该业务的用户满意度。QoS参数可以分为积极QoS和消极QoS两类：消极QoS指其值越高，质量越低的QoS参数，如时延、抖动、丢包率；积极QoS指其值越高，质量越高的QoS参数，如速率等。某个业务的用户满意度由该业务使用的资源整体的QoS属性R_s=[RQ₁，RQ₂，…，RQ_k]和该业务QoS 需求Q=[Q₁，Q₂，…， Q_k]共同决定，对于积极QoS参数，两者之间的距离d越小用户满意度就越大；对于消极QoS，两者之间的距离d越大用户满意度就越大。对于积极QoS，用dir=1表示；对于消极QoS，dir=-1。

对于单个QoS参数Q _k ，两者的距离计算方法如下：

这里，

表示资源的第k维QoS参数属性能够满足用户的QoS需求，

表示资源的第k维QoS参数属性不能够满足用户的QoS需求。第 k 个 QoS 参数所带来的用户满意度由 QoS 距离来决定，具体公式如下：

不同的任务可以对QoS参数需求不同，即侧重点不同，因此，为每维QoS参数占整个服务质量的比重定义一个权值w_k (

)。每维QoS参数权值可以根据业务T_s的种类确定，会话类型、数据流类型、交互型和后台类型对应的每维QoS参数权值是不一样的，在域认知服务器数据库中可以对四种类型对应的QoS权值进行定义，需要时也可以通过接口进入域认知数据库进行修改。

在计算业务的用户满意度时，第s个业务的第i个QoS参数的满意度需要根据该参数的权值

分配。业务T_s的整体用户满意度U_s定义为该业务整体的k维QoS参数所带来用户满意度的总和，具体定义如下：

本发明选择用户满意度的适应度函数，其核心思想是业务的服务质量高低应与其业务权值大小成正比，即对于越重要的业务应提供越高的服务质量，它的用户满意度也越高，反之亦然。通过动态生成业务权值表可以获得业务T_s的业务优先级为W(T _s )(表示业务的重要性，

且

)，通过归一化，定义该业务服务质量的相对权值函数为W’(T _s )，其定义为：

从全局出发，我们应该考虑的不是业务集中单个业务的满意度，而是整体业务的满意度。因此，当网络中资源充足时，适应度函数应该正比于业务的满意度函数

，这里T_s表示第s个业务，N表示业务集的总业务数量。

综上，资源充足时适应度函数如下：

以上定义了认知域内当资源充足时，有任务请求时服务质量优化问题模型，它通过用户满意度来实现多类资源和多维QoS参数之间的映射关系。本模型需要解决的问题就是当用户向域认知服务器提出请求时，如何从M维资源中选择最优的组合获得最好的用户满意度，并且优先级高的业务应该获得比优先级低的业务更好的用户满意度。

情况二，当资源不充足时：

适应值正比于

，这里W’(T _s )表示业务T _s 的权重，表示M维资源总的资源，

表示业务T _s 获取的资源。当T₁，…，T_N的M维资源取

时，令资源利用情况函数为：

对于任务T _s ，有M维资源。将M引入上面的公式中，资源利用率适应度函数为：

为了体现网络的认知性，认知平面在接收控制平面监控到的实际网络业务性能参数(速率、延迟、抖动和丢失率)后，如果不能满足最低QoS目标的业务达到网络总数据包的1%时(由控制平面进行数据挖掘后获得)，认知平面就认定资源不充足，此时再有任务进入域内时触发资源利用率适应度函数来提高资源利用情况。由于控制平面始终在监控网络中数据情况，当网络中资源充足时（不能满足QoS目标的业务不足1%），触发器再次触发用户满意度适应度函数。

步骤三：选择操作，步骤如图2所示。

前面设计的两种适应度函数，它们都是在结果接近1时最优。选择操作也叫复制，是在群体中选择适应值大的个体产生新一代群体的过程。选择算子复制对群体中的个体进行优胜劣汰、适者生存的操作。选择算子根据个体的适应度，按照一定的规则或方法，从第t代群体P(t)中选择出一些优良的个体。本文中选用赌盘选择算子。

步骤四：交叉操作，流程如图3所示。

遗传算法中起核心作用的是遗传操作的交叉算子，所谓交叉，就是替换重组两个父代个体的部分结构，生成新个体的操作。通过交叉，遗传算法的搜索能力得到了很大提高。单点交叉又称简单交叉，是基本遗传算法所使用的交叉操作。在进行交叉操作后，由于交叉过程的随机性，子代的性能未必优于父代的性能，这时再使用退火选择法。

步骤五：变异操作，步骤如图4所示。

基本位变异是最简单和最基础的变异操作，变异算子的基本内容是对群体的个体串的某些基因座上的基因值变动。对于基因编码为(R₁，…，R_N)=(R₁₁，R₁₂，…，R_1M，…，R_N1，…，R_NM)而言，变异操作就是把某些基因值重新随机取1-C之间非原值的值（假设M维资源每维资源个数都是C）。若原有基因值为t，则变异操作将该基因变为非t的1-C之间的自然数。为了保证变异的有效性，我们在变异后再次启动退火选择法来判断是否要替代原来的基因。

步骤六：WBCSAGA算法的终止条件。

程序的终止条件最简单的有如下二种：第一，完成了预先给定的进化代数h则停止；第二，种群中的最优个体在连续若干代没有得到改进或平均适应度在连续若干代基本没有改进时停止。本文选择两种终止条件同时进行的方式实现程序终止。

图5是认知平面资源分配的流程图。认知平面首先处于监听用户请求的状态，当用户A发起请求T _s 时，用户平面将业务等级参数W _s 传递给认知平面。认知平面在数据库中查找用户A所有低于请求业务T _s 的等级W _s 的业务，组成业务集T₁…T_N。然后认知平面启动WBCSAGA算法获得资源策略，将获得的资源策略R₁…R_N分别计算各业务的满意度，如果适应度高于0.9，直接交付给控制平面执行；对于适应度小于0.9的R_s则将T _s 交付给用户平面，用户平面允许执行的业务就交付给控制平面执行，对于不允许执行的业务就终止执行。

Claims (3)

1.一种认知网络自反馈动态自适应资源分配方法，其特征在于，具体包括如下步骤：

步骤A，首先使认知平面处于监听用户请求的状态，当有某用户发起业务请求T _s 时，用户平面将该业务请求的业务等级参数W _s 传递给认知平面；

步骤B，认知平面在数据库中查找由该用户发起的，所有低于步骤A所述业务等级参数W _s 的业务请求，组成业务集T=﹛T₁…T _N ﹜；N为在认知域内某一时刻任务集中正在运行的业务的总数，                                                

；

步骤C，认知平面启动基于权值的认知模拟退火遗传算法，首先获得资源策略R₁…R _N ，然后由获得的资源策略分别计算各业务的适应度函数值；

步骤D，如果业务集中业务的适应度高于0.9，直接将该业务交付给控制平面执行；

对于业务集中适应度小于0.9的业务，则将该业务的请求交付给用户平面，用户平面允许执行的业务就交付给控制平面执行，对于不允许执行的业务就终止执行。

2.根据权利要求1所述的一种认知网络自反馈动态自适应资源分配方法，其特征在于，步骤C所述基于权值的认知模拟退火遗传算法的具体步骤如下：

步骤1），编码设计：

由任务的资源代号与分隔符一起组成染色体，对染色体的编码采用自然数直接编码的形式，把业务集T中N个任务的M维资源代号依次排列作为基因，即：

基因编码为(R₁，…，R _N )=(R₁₁，R₁₂，…，R_1M ，…，R _N1，…，R _NM )，其中R _si 为第s个任务T _s 的第i维资源的取值，

,

；

设j是资源R _si 可能的取值，假设每维资源可取的资源个数都是c，则

；其中对于单个业务，在每一维资源中只能有一个资源被选中；

步骤2），根据资源充足与否分别进行适应度函数设计：

2)-A：当资源充足时：

假设每个业务QoS参数的维数为k，令资源R _ij  表示第i维资源的第 j 个资源，每个资源都具有自己的QoS 属性R’ _ij =[ R’ _ij1，R’ _ij2，…，R’ _ijt]，其中t表示该维资源的QoS属性个数；

对于单个业务，在选择某一个资源组合后，联合M维的资源选择情况，将整体资源的QoS属性转换为与k维业务QoS参数相同量纲的向量R _s =[RQ₁，RQ₂，…，RQ _k ]，业务满意度适应度函数如下：

其中，

代表第s个业务的第i个QoS参数占整个QoS的比重的权值，U _s 代表业务T _s 的整体用户满意度，

表示业务T _s 的权重；

表示业务T _s 使用的资源整体的QoS属性和该业务QoS 需求的距离；

2)-B：当资源不充足时：

业务的适应值正比于

，其中

表示业务T _s 的权重，表示M维资源的总资源，

表示业务T _s 获取的资源；当T₁，…，T_N的M维资源取

时，令资源利用情况函数为：

对于任务T _s ，有M维资源，将M引入上面的公式中，资源利用率适应度函数为：

其中，R _ij  表示第i维资源的第 j 个资源，

表示第i维资源的总资源；

步骤3），选择操作：根据步骤2）计算出的适应度，采用赌盘选择算子在基因群体中选择适应值大的个体产生新一代群体；

步骤4），交叉操作：选用单点交叉替换重组两个父代个体的部分结构，生成新个体的操作，当子代的性能未优于父代的性能时，使用退火选择法；

步骤5）：变异操作：采用基本位变异方法对基因群体的个体串的某些基因座上的基因值变动，在变异后再次启动退火选择法来判断是否要替代原来的基因；

步骤6），终止条件：当种群中的最优个体在连续若干代没有得到改进，或平均适应度在连续若干代基本没有改进时，停止算法。

3.根据权利要求2所述的一种认知网络自反馈动态自适应资源分配方法，其特征在于，步骤2）所述资源充足与否的判断标准是：当实际网络中不能满足QoS目标的业务不足1%时，认为网络资源充足，反之则认为网络资源不充足。

Images