CN103179052B - 一种基于接近度中心性的虚拟资源分配方法及系统 - Google Patents
一种基于接近度中心性的虚拟资源分配方法及系统 Download PDFInfo
- Publication number
- CN103179052B CN103179052B CN201110428556.7A CN201110428556A CN103179052B CN 103179052 B CN103179052 B CN 103179052B CN 201110428556 A CN201110428556 A CN 201110428556A CN 103179052 B CN103179052 B CN 103179052B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- approach
- degree
- virtual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于接近度中心性的虚拟资源分配方法及系统,该方法借鉴社会网络中的节点的接近度中心性定义,所述方法包含:用于进行节点映射的步骤;用于进行链路映射的步骤;其中,所述节点映射步骤将底层网络和虚拟网络的拓扑中的各节点的重要性用社会网络中的节点的接近度中心性定义进行类比,获得各节点在虚拟网络或物理网络中的重要性指标,再将分别来自虚拟网络和物理网络中的相对重要的节点之间进行映射,同时将分别来自于虚拟网络和物理网络中的相对不重要的节点之间进行映射,完成从虚拟网络节点到底层网络节点的映射;所述重要性指标又称为接近度,其定义为:一个节点到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心也越重要。
Description
技术领域
本发明涉及计算机网络管理领域,特别涉及网络虚拟化环境下一种基于接近度中心性的虚拟资源分配方法及系统。
背景技术
在网络虚拟化环境和数据中心网络环境中,虚拟资源如何高效的映射到底层物理资源,即如何实现虚拟资源的高效分配,是一个十分重要的问题。虚拟资源的分配,就是如何高效的根据用户或者服务提供者的网络资源请求,选取底层网络上的物理资源,创建满足用户需求的虚拟网络。虚拟资源的分配,需要满足带宽、链路、位置信息等多方面的限制条件。
目前的虚拟网映射算法大多采用先进行节点映射,后进行链路映射的方式。节点映射的结果决定着链路映射的成功率,但在现有技术中节点的映射过程中并没用有效的考虑网络的拓扑结构及其节点之间的相互影响,这不利于网络映射整体成功率的提高。在网络虚拟化环境和数据中心网络环境中,虚拟资源如何高效的映射到底层物理资源,即如何实现虚拟资源的高效分配,是一个十分重要的问题。虚拟资源的分配,就是如何高效的根据用户或者服务提供者的网络资源请求,选取底层网络上的物理资源,创建满足用户需求的虚拟网络。虚拟资源的分配,需要满足带宽、链路、位置信息等多方面的限制条件。
在这里,我们将虚拟资源的分配问题抽象为一个图的问题,将虚拟网络的拓扑和底层物理网络的拓扑都以图的形式来描述。通常底层网络可以描述为带权重的无向图,标记为GS=(NS,ES),NS为底层节点的集合,ES为底层链路的集合。虚拟网也可以表示为带权重的无向图,描述GV=(NV,EV),包括虚拟节点的集合NV,与虚拟链路的集合EV。虚拟网的映射过程,就是虚拟网络拓扑与物理网络拓扑相匹配的过程。虚拟网的映射包括节点映射和链路映射两个阶段。节点映射主要考虑CPU能力的限制,链路映射着重考虑链路的可用带宽。图1-a、1-b和图1-c展示了两个虚拟网络请求向底层网络的映射,其中虚拟网1与虚拟网2共享了节点A、B和AB之间链路上的资源。
目前存在许多虚拟资源分配的算法,可以按照以下几种方式对目前的虚拟网络映射算法进行分类:
(1)按照是否充分考虑了底层网络或虚拟网络的节点和链路资源约束进行分类,可分为同时考虑节点和链路资源约束的映射算法与忽略节点或链路资源约束的映射算法。
(2)按照不同的底层网络资源分配方式进行分类,可分为静态映射算法与动态映射算法。静态映射算法是指静态地为虚拟网络分配固定比例的底层网络资源,而动态映射算法又分为动态自适应和动态重配置的映射算法。
(3)按照虚拟网络请求处理方式进行分类,可分为在线映射算法和离线映射算法。离线映射是指在其被映射前,所有的虚拟网络请求信息是已知的,而在线映射算法不对虚拟网络请求的到达时间,持续时间以及拓扑信息等作任何假设。
(4)按照不同的虚拟网络映射计算方式进行分类,可分为集中式映射算法和分布式映射算法。分布式的虚拟网络映射算法一般通过底层节点协同完成虚拟网络映射,集中式的虚拟网络映射算法由中心决策机构根据底层网络资源状况,为虚拟网络请求分配相应资源。
(5)按照不同的虚拟节点和链路映射顺序进行分类,可分为二阶段映射(虚拟节点优先映射)与一阶段映射(虚拟节点和链路同时映射)。二阶段映射算法的节点映射阶段和链路映射阶段是分离的,而一阶段映射的虚拟节点和链路映射是在同一阶段完成的。
表1.虚拟网络映射算法分类
在此对与本专利有关的基于贪婪算法解决节点映射问题的启发式算法、协同节点与链路映射的虚拟网络映射算法、分布式虚拟网络映射算法以及拓扑感知的虚拟网络映射算法进行简要介绍。
参考如下论文ZHUY,AMMARM.Algorithmsforassigningsubstratenetworkresourcestovirtualnetworkcomponents[A].Proc.IEEEINFOCOM[C],IEEE,2006:1-1可知,基于贪婪算法解决节点映射问题的启发式算法将虚拟网映射问题抽象成图论问题,假设网络资源是无限的,提出了无重配置的虚拟网络映射算法(VNA-I)和带有重配置的虚拟网络映射算法(VNA-II)。
无重配置的虚拟网分配是指在整个虚拟网生命周期内虚拟网分配固定。其基本思想是将虚拟节点映射到负载较轻并且离已被映射的虚拟节点较近的底层节点上,当映射完所有虚拟节点后,使用最短路径算法映射虚拟链路。
随着虚拟网络请求的到达与离开,底层网络资源状况会发生改变,这会导致底层网络负载不均衡,资源利用率下降等问题。为此,进一步提出了带有重配置的虚拟网络映射算法(VNA-II),该算法周期性地检查底层节点和链路负载状况,当节点或链路的负载超越预先定义的阈值后,将对映射于该节点或链路上的所有虚拟网络进行重映射,以消除资源热点问题。
协同节点映射和链路映射的虚拟网络映射算法是将动态规划的方法引入到虚拟网映射问题中,实现了节点映射和链路映射的协同,即同时考虑虚拟节点的映射和虚拟链路映射,虚拟节点映射以一种便于虚拟链路映射的方式进行。为了协同虚拟节点映射与链路映射两个阶段,作者对底层网络进行了扩展,为每一个虚拟节点引入元节点(meta-node)。对于每一个虚拟节点nv∈NV,都有一个相关的限制,设为loc(nv)。每一个虚拟网络请求都有一个与之有关的非负值DV,表示放置虚拟节点到对于特定loc(nv)值的位置的距离。DV可以用于表示物理距离或者允许的延迟。可以为每一个虚拟节点在底层网络以DV创建一个聚集(cluster),由满足虚拟节点位置需求的底层节点构成,并用Ω(nv)表示,称为虚拟节点nv的Ω集合,Ω(nv)={ns∈NS|dis(loc(nv),loc(ns))≤DV}。为每一个虚拟节点创建一个相应的元节点μ(nv),将元节点与Ω(nv)中的所有底层节点相连结。如图2所示。
带有资源约束的虚拟链路可以抽象为元节点对间的商品流,因此为该商品找到一个优化的流与为虚拟链路找到一个优化的链路映射方法等价。对于每一个元节点只能选择一条元链路(meta-edge),从而使每个虚拟节点只被映射到一个底层节点上。
由于解决混合整数规划问题是NP难的,因此作者将混合整数规划问题简化为多项式时间可解的线性规划问题,并提出确定性(D-VINE)与随机舍入(R-VINE)两种方法获得该问题的近似解。确定性虚拟网络映射只根据已经可以观察到的过去的虚拟网请求做决定,即确定性虚拟网络映射没有预见性。用上述方法为虚拟网络请求GV=(NV,EV)创建一个扩展的底层图GS′=(NS′,ES′)。当将所有的虚拟节点映射完成后,在底层网络支持路径分裂的情况下,采用多商品流算法映射虚拟链路,而在底层网络不支持路径分裂的情况下,采用最短路径算法映射虚拟链路。
分布式的虚拟网络映射算法分为虚拟网络拓扑分解和映射2个阶段。在虚拟网络拓扑分解阶段,首先将具有最高资源请求的虚拟节点作为中心节点,将与该中心节点直接相连的虚拟节点作为邻居节点,再从虚拟网络拓扑中移除中心节点、邻居节点以及它们之间直接相连的虚拟链路,重复该过程直至整个虚拟网络拓扑完全分解为多个中心辐射子拓扑。在虚拟网络映射阶段,对于虚拟网络的每一个中心辐射子拓扑,首先将其中心节点与可用资源最多的底层节点相映射,然后映射该中心辐射子拓扑的其他节点,最后采用最短路径算法映射节点间的虚拟链路,直到所有中心辐射子拓扑全部映射完毕。
拓扑感知的虚拟网络映射算法是一种基于PageRank的算法,它采用了马尔可夫随机游走(randomwalk)模型。提出了一种新的节点资源度量方法NodeRank,节点的NodeRank值不仅可以反映当前节点的资源能力,还能够反映其周围节点的资源能力。
一个节点u的排序由它的CPU处理能力,以及和它直接相连的链路带宽决定。同时也受到可以从节点u到达的其他节点的影响,作者将些节点分为两部分:与节点u通过一条链路直接相连的,和通过多次跳跃可以从节点u到达的节点。因此,作者定义节点u的邻居节点对节点u的影响在底层网络中,L(u)是从节点u出发的所有链路的集合,CPU(u)表示节点u的剩余CPU资源,BW(l)是链路l的可用带宽资源。对于虚拟节点,用CPU(u)和BW(l)表示节点u的资源需求。节点u的初始NodeRank值可以通过以下来计算:u、v是属于集合V的不同的节点。
根据节点NodeRank值,作者提出了两种虚拟网络映射算法:RW-MaxMatch和RW-BFS。RW-MaxMatch是一种二阶段的虚拟网络映射算法,该算法将具有较大NodeRank值的虚拟节点和具有较大NodeRank值的底层节点相映射,然后进行链路映射。在底层网络支持链路分裂的情况下,采用多商品流算法映射虚拟链路,否则采用最短路径算法。而RW-BFS的主要思想是:虚拟节点的映射顺序和底层节点的选取均按照广度优先搜索的顺序进行,并且广度优先搜索的每一层网络节点按照NodeRank值大小排序。当每个虚拟节点映射成功后便同时映射其虚拟链路,虚拟节点映射和虚拟链路映射在映射过程中交替进行,因此RW-BFS是一种一阶段的虚拟网络映射算法。
在上述映射方法中,存在着各种各样的问题。基于贪婪算法解决节点映射问题的启发式算法没有保证链路的带宽需求,这会影响链路映射的成功率,从而导致算法效率下降。协同节点与链路映射的虚拟网映射算法考虑了虚拟节点的位置需求,但该算法过度依赖底层网络支持路径分裂的特性,忽略了其带来的负面影响。当底层网络不支持路径分裂时,该算法性能较差。在分布式虚拟网络映射的过程中,底层节点作为通信代理。当底层网络规模较大时,代理节点间信息同步与交互通信开销大,性能方面比集中式算法差。拓扑感知的虚拟网络映射算法存在不能够处理虚拟节点带有位置需求的虚拟网络请求的缺点,利用NodeRank值的虚拟网络映射算法受限于特征向量值的人为设定,不能满足网络动态变化的需要。
因此,目前的虚拟网映射算法大多采用先进行节点映射,后进行链路映射的方式。节点映射的结果决定着链路映射的成功率,但在节点的映射过程中并没用有效的考虑网络的拓扑结构及其节点之间的相互影响,这不利于网络映射整体成功率的提高。
本发明借鉴社会网络中节点中心度的定义,对底层网络和虚拟网络从拓扑的视角进行统计特征与节点中心度分析,采用接近度方法对底层网络和虚拟网络节点进行中心度排序,并利用排序的结果作为先验知识,在映射算法的过程中,按照“大到大,小到小”的映射规律,使得接近度中心性更显著的虚拟节点与中心性更显著的物理网络节点相互匹配,充分利用网络全局信息和拓扑位置的差异,提高映射的效率。
发明内容
本发明的目的在于,为克服现有技术进行虚拟资源分配时采用的虚拟网映射算法在进行节点映射过程中并没用有效的考虑网络的拓扑结构及其节点之间的相互影响,从而导致的链路映射质量下降进而不利于网络映射整体成功率的提高的问题,从而提供一种基于接近度中心性的虚拟资源分配方法及系统。
为了实现上述目的,本发明提供了一种基于接近度中心性的虚拟资源分配方法,该方法借鉴社会网络中的节点的接近度中心性定义,所述方法包含如下步骤:
用于进行节点映射的步骤;
用于进行链路映射的步骤;
其中,所述节点映射步骤将底层网络和虚拟网络的拓扑中的各节点的重要性用社会网络中的节点的接近度中心性定义进行类比,获得各节点在虚拟网络或物理网络中的重要性指标,再将分别来自虚拟网络和物理网络中的相对重要的节点之间进行映射,同时将分别来自于虚拟网络和物理网络中的相对不重要的节点之间进行映射,完成从虚拟网络节点到底层网络节点的映射;
所述重要性指标又称为接近度,其定义为:一个节点到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心也越重要;如果一个节点到其余所有节点的最短路径和较大,则该节点更加接近网络的边缘也越不重要。
上述技术方案中,采用如下公式计算所述接近度:
其中,d(i,j)代表节点ni和nj之间的距离,即采用两点之间最短路径的长度来代表两个节点之间的距离;CC(ni)就是节点ni到其他节点的最短路径之和的倒数,称为接近度。
可选的,所述最短路径长度采用基于带宽因素的计算方法获取,具体包含如下步骤:
首先,任意一条路径p的长度定义如下:
其中,δ表示一个较小的正数,以避免分母为0;RBW(eS)表示链路eS的可用带宽;一条路径的长度与该路径上所有链路的剩余带宽成反比;
然后,根据上述定义,两点之间的最短路径长度d(i,j)为:
其中,P(i,j)表示节点i和j之间所有无环路径的集合。
上述技术方案中,所述步骤1进一步包含如下子步骤:
步骤1-1)依据底层网络和虚拟网络的拓扑图统计底层网络和虚拟网络中各节点之间的距离;
步骤1-2)根据统计的各节点之间的距离计算各节点的接近度;
步骤1-3)将接近度按照大小进行排序,得到虚拟网络和物理网络的接近度队列;
步骤1-4)利用排序的结果作为先验知识,在节点映射算法的过程中,将虚拟网络和物理网络的接近度队列中的接近度按照“大到大,小到小”的映射规律按照接近度队列顺次完成的节点映射,使得接近度中心性更显著的虚拟节点与中心性更显著的物理网络节点相互匹配,完成节点映射。
可选的,所述步骤1-1)之前还包含:采用Waxman模型生成底层网络和虚拟网络的拓扑图的步骤。
基于上述技术方案作为一个具体实施方式,当虚拟网请求到达时所述基于接近度中心性的虚拟资源分配方法具体包含如下步骤:
当虚拟网请求到达时,首先进行节点映射,分别对底层网络和虚拟网络中的节点按照接近度公式计算接近度值并排序;
再根据计算所得接近度,将虚拟网节点和物理网络节点按照“大到大,小到小”的方式进行映射,如果能够满足节点资源限制条件,则节点映射成功,否则失败;
根据节点映射结构进行链路映射,如果路径不可分割,则采用K最短路径算法,在底层网络中搜索能够满足虚拟链路资源约束条件的底层链路,否则按照多商品流算法对虚拟链路进行可分割映射,完成链路映射。
基于上述方法本发明还提供一种基于接近度中心性的虚拟资源分配系统,该系统借鉴社会网络中的节点的接近度中心性定义,所述系统包含:
节点映射子系统,用于进行节点映射,该子系统将底层网络和虚拟网络的拓扑中的各节点的重要性用社会网络中的节点的接近度中心性定义进行类比,获得各节点在虚拟网络或物理网络中的重要性指标,再将分别来自虚拟网络和物理网络中的相对重要的节点之间进行映射,同时将分别来自于虚拟网络和物理网络中的相对不重要的节点之间进行映射,完成从虚拟网络节点到底层网络节点的映射;
链路映射子系统,用于进行链路映射。
上述技术方案中,所述接近度计算模块采用如下计算接近度:
其中,d(i,j)代表节点ni和nj之间的距离,即采用两点之间最短路径的长度来代表两个节点之间的距离;CC(ni)就是节点ni到其他节点的最短路径之和的倒数,称为接近度。
上述技术方案中,所述节点映射子系统还包含接近度计算模块,排序模块和映射模块;
所述接近度计算模块,用于根据接近度中心性策略计算底层网络和虚拟网络中的所有节点的接近度;所述接近度中心性策略为一个节点到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心也越重要;如果一个节点到其余所有节点的最短路径和较大,则该节点更加接近网络的边缘也越不重要;
所述排序模块,用于将接近度计算模块计算得到的接近度进行排序;
所述映射模块,用于利用排序的结果作为先验知识,在节点映射算法的过程中,按照“大到大,小到小”的映射完成虚拟网络节点到底层网络的节点映射。
上述技术方案中,所述接近度计算模块进一步包含:
统计子模块,用于依据底层网络和虚拟网络的拓扑图统计底层网络和虚拟网络中各节点之间的距离;
计算子模块,用于根据统计的各节点之间的距离计算各节点的接近度。
与现有技术相比本发明的技术优势为:
1、基于社会网络中心性理论,采用接近度中心性的方法对物理节点和虚拟节点进行分类,它强调网络的全局结构,更好的体现了节点的重要性和显著性,使得网络中的稀缺资源更容易被找到。从而提高映射的效率。
2、从底层网络和虚拟网络拓扑的视角进行统计特征与节点的接近度中心性分析,考虑了节点信息和最短路径。在节点映射时,有效的利用了网络的拓扑结构,可以提高网络映射整体的成功率。
3、基于接近度中心性的映射方法在提高映射成功率,提高收益方面具有一定的优势。
4、对于不同类型请求下的虚拟网络,当CPU请求或带宽请求逐渐增大时,映射成功率逐渐下降。但基于接近度中心性的映射方法的下降速率较慢,并在一定范围内可达到最优。
附图说明
图1-a是现有技术的虚拟网络映射示意图;
图1-b是现有技术的虚拟网络映射示意图;
图1-c是现有技术的物理网络映射示意图;
图2是现有技术对于一个虚拟请求的元节点和元链路创建图;
图3是图2和图1-a、1-b和1-c中底层网络的网络拓扑图;
图4-a是采用本发明的一种基于接近度中心性的虚拟资源分配方法后得到的改进图3的底层网络拓扑图,其中图中使用节点图形大小表示节点接近度中心性大小的网络拓扑图;
图4-b是本发明的一种基于接近度中心性的虚拟资源分配方法的流程图;
图5是本发明实施例采用的基于接近度中心性的虚拟资源分配方法包含的节点聚合的步骤流程图;
图6是底层网络拓扑无向图,共有100个节点,500条链路。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的描述。
在社会网络中,中心性是评价一个人重要与否,衡量他/她的职务的地位优越性或者特权性以及社会声望的重要指标。一个人在社会中的位置越重要,则他/她越处在社会的中心。借鉴社会网络中的节点的接近度中心性定义,用来反映在网络拓扑(底层网络和虚拟网络)中节点的重要程度。社会网络中心性有多种度量方法,最常用的四种方法有:度数、接近度、介数和特征向量,由于方法原理和侧重发现的问题不同,因此对同一网络可能会出现不同的排序结果。
为了解决底层网络与上层虚拟网络的映射问题,需要考虑全局信息,并以提高算法的执行效率和准确性为目标,因此我们采用了接近度中心性的策略。接近度中心性策略更强调网络的全局结构,不仅考虑到了网络中节点度数的大小,而且还考虑到了节点在整个网络中所处位置的中心性,因此测试的准确度明显较高。
接近度中心性以该节点到网络中所有可达节点的最短路径为度量依据。直观地说,一个节点,到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心。反之,如果一个节点到其余所有节点的最短路径和较大,则该节点更加接近网络的边缘。其公式如下:
其中,d(i,j)代表节点ni和nj之间的距离,在网络拓扑中,我们采用两点之间最短路径的长度来代表两个节点之间的距离。CC(ni)就是节点ni到其他节点的最短路径之和再求倒数。其值越小,表示该节点与其他节点距离越大,该节点越接近边缘,也就越不重要,反之亦然。
例如:
图1-a、1-b和1-c所示的虚拟网络映射中的底层网络的网络拓扑图如图3所示。图4-a表示对图3的底层网络各节点进行接近度中心性计算并排序得到的基于节点重要性的网络拓扑图,其中节点图形越小,表明节点接近度中心性越大,节点越接近网络中心,节点越重要。计算结果及排序如表2所示。
表2.图1中节点接近度中心性计算及排序
节点序号 | 接近度中心性值 | 排序结果 |
A | 0.1 | 2 |
B | 0.09091 | 4 |
C | 0.1 | 2 |
D | 0.11111 | 1 |
E | 0.07142 | 5 |
F | 0.06667 | 6 |
G | 0.06667 | 6 |
如图4-b所示为本发明的一种基于接近度中心性的虚拟资源分配方法的流程图,所述方法包含如下步骤:
步骤401,用于进行节点映射的步骤,其中,所述节点映射步骤将底层网络和虚拟网络的拓扑中的各节点的重要性用社会网络中的节点的接近度中心性定义进行类比,获得各节点在虚拟网络或物理网络中的重要性指标,再将分别来自虚拟网络和物理网络中的相对重要的节点之间进行映射,同时将分别来自于虚拟网络和物理网络中的相对不重要的节点之间进行映射,完成从虚拟网络节点到底层网络节点的映射;
步骤402,用于进行链路映射的步骤;
其中,所述重要性指标又称为接近度,其定义为:一个节点到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心也越重要;如果一个节点到其余所有节点的最短路径和较大,则该节点更加接近网络的边缘也越不重要。
如图5所示,该图为本发明基于接近度中心性的虚拟资源分配方法包含的步骤401的具体实施的流程图,步骤401进一步包含如下子步骤:
步骤501)依据底层网络和虚拟网络的拓扑图统计底层网络和虚拟网络中各节点之间的距离;
步骤502)根据统计的各节点之间的距离计算各节点的接近度;
步骤503)将接近度按照大小进行排序,得到虚拟网络和物理网络的接近度队列;
步骤504)利用排序的结果作为先验知识,在节点映射算法的过程中,将虚拟网络和物理网络的接近度队列中的接近度按照“大到大,小到小”的映射规律按照接近度队列顺次完成的节点映射,使得接近度中心性更显著的虚拟节点与中心性更显著的物理网络节点相互匹配,完成节点映射。
实施例
基于接近度中心性,我们提出了一种新的虚拟网映射方法,以底层网络和虚拟网请求的拓扑为输入,输出映射结果和映射后的更新的底层网络拓扑。
该本发明提出的一种基于接近度中心性的虚拟资源分配方法的步骤如下:
步骤1:底层网络采用Waxman随机网络模型产生。Waxman模型是随机图拓扑模型中的典型代表,在1988年由Waxman提出,该模型以任意两节点之间的距离为自变量来计算两点间直接连接的概率。底层网络两两节点之间以0.5的概率相连接,并保证所有节点之间的连通性。每次试验生成的底层网络包括100个节点,500条链路,相当于一个中等的ISP的规模。每个节点的CPU资源和每条链路的带宽符合[0,100]的均匀分布随机产生。其拓扑图,如图6所示。
步骤2:虚拟网络请求也采用Waxman随机网络模型产生。在每个虚拟网请求中,虚拟节点的数目在[2,10]之间均匀分布。虚拟节点两两之间以0.5的概率相连,对于一个有n个节点的虚拟网,链路的数目为n(n-1)/4。虚拟网请求的到达时间符合泊松分布,平均100个时间单位有5个虚拟网请求到达。虚拟网请求的存活期限符合以1000个时间单位为期望的指数分布。在每组试验中,约有2500个虚拟网请求生成,其中随机的50%的请求为支持链路可分割的请求,另50%不支持链路可分割。
步骤3:当虚拟网请求到达时,首先进行节点映射。分别对底层网络GS和虚拟网络GV中的节点按照接近度公式(1)进行计算并排序。
步骤4:再根据计算所得接近度,将虚拟网节点和物理网络节点按照“大到大,小到小”的方式进行映射,如果能够满足节点资源限制条件,则节点映射成功,否则失败。
步骤5:根据节点映射结构进行链路映射,如果路径不可分割,则采用K最短路径算法,在底层网络中搜索能够满足虚拟链路资源约束条件的底层链路,否则按照多商品流算法对虚拟链路进行可分割映射,这种链路映射方法提高了底层网络的资源利用率和负载均衡,并可以基于多商品流问题进行建模求解。
由于在网络虚拟化环境中,目前的虚拟网络资源分配方法大多采用先进行节点映射,后进行链路映射的方式。节点映射的结果决定着链路映射的成功率,但在节点的映射过程中并没用有效的考虑网络的拓扑结构及其节点之间的相互影响,这不利于网络映射整体成功率的提高。
本发明借鉴社会网络中节点的接近度中心性的定义,对底层网络和虚拟网络从拓扑的视角进行统计特征与节点的接近度中心性分析,采用接近度方法对底层网络和虚拟网络节点进行中心性排序,并利用排序的结果作为先验知识,在映射算法的过程中,按照“大到大,小到小”的映射规律,使得接近度中心性更显著的虚拟节点与中心性更显著的物理网络节点相互匹配,充分利用网络全局信息和拓扑位置的差异,提高映射的效率。
需要说明的是,以上介绍的本发明的实施方案而并非限制。本领域的技术人员应当理解,任何对本发明技术方案的修改或者等同替代都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围内。
Claims (6)
1.一种基于接近度中心性的虚拟资源分配方法,该方法借鉴社会网络中的节点的接近度中心性定义,所述方法包含如下步骤:
步骤1,用于进行节点映射的步骤;
步骤2,用于进行链路映射的步骤;
其中,所述节点映射步骤将底层网络和虚拟网络的拓扑中的各节点的重要性用社会网络中的节点的接近度中心性定义进行类比,获得各节点在虚拟网络或物理网络中的重要性指标,再将分别来自虚拟网络和物理网络中的相对重要的节点之间进行映射,同时将分别来自于虚拟网络和物理网络中的相对不重要的节点之间进行映射,完成从虚拟网络节点到底层网络节点的映射;
所述重要性指标又称为接近度,其定义为:一个节点到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心也越重要;如果一个节点到其余所有节点的最短路径和较大,则该节点更加接近网络的边缘也越不重要;
采用如下公式计算所述接近度:
其中,d(i,j)代表节点ni和nj之间的距离,即采用两点之间最短路径的长度来代表两个节点之间的距离;CC(ni)就是节点ni到其他节点的最短路径之和的倒数,称为接近度;
所述最短路径长度采用基于带宽因素的计算方法获取,具体包含如下步骤:
首先,任意一条路径p的长度定义如下:
其中,δ表示一个较小的正数,以避免分母为0;RBW(eS)表示链路eS的可用带宽;一条路径的长度与该路径上所有链路的剩余带宽成反比;
然后,根据上述定义,两点之间的最短路径长度d(i,j)为:
其中,P(i,j)表示节点i和j之间所有无环路径的集合。
2.根据权利要求1所述的基于接近度中心性的虚拟资源分配方法,其特征在于,所述步骤1进一步包含如下子步骤:
步骤1-1)依据底层网络和虚拟网络的拓扑图统计底层网络和虚拟网络中各节点之间的距离;
步骤1-2)根据统计的各节点之间的距离计算各节点的接近度;
步骤1-3)将接近度按照大小进行排序,得到虚拟网络和物理网络的接近度队列;
步骤1-4)利用排序的结果作为先验知识,在节点映射算法的过程中,将虚拟网络和物理网络的接近度队列中的接近度按照“大到大,小到小”的映射规律按照接近度队列顺次完成的节点映射,使得接近度中心性更显著的虚拟节点与中心性更显著的物理网络节点相互匹配,完成节点映射。
3.根据权利要求2所述的基于接近度中心性的虚拟资源分配方法,其特征在于,所述步骤1-1)之前还包含:采用Waxman模型生成底层网络和虚拟网络的拓扑图的步骤。
4.根据权利要求3所述的基于接近度中心性的虚拟资源分配方法,其特征在于,当虚拟网请求到达时所述基于接近度中心性的虚拟资源分配方法具体包含如下步骤:
当虚拟网请求到达时,首先进行节点映射,分别对底层网络和虚拟网络中的节点按照接近度公式计算接近度值并排序;
再根据计算所得接近度,将虚拟网节点和物理网络节点按照“大到大,小到小”的方式进行映射,如果能够满足节点资源限制条件,则节点映射成功,否则失败;
根据节点映射结构进行链路映射,如果路径不可分割,则采用K最短路径算法,在底层网络中搜索能够满足虚拟链路资源约束条件的底层链路,否则按照多商品流算法对虚拟链路进行可分割映射,完成链路映射。
5.一种基于接近度中心性的虚拟资源分配系统,该系统借鉴社会网络中的节点的接近度中心性定义,所述系统包含:
节点映射子系统,用于进行节点映射,该子系统将底层网络和虚拟网络的拓扑中的各节点的重要性用社会网络中的节点的接近度中心性定义进行类比,获得各节点在虚拟网络或物理网络中的重要性指标,再将分别来自虚拟网络和物理网络中的相对重要的节点之间进行映射,同时将分别来自于虚拟网络和物理网络中的相对不重要的节点之间进行映射,完成从虚拟网络节点到底层网络节点的映射;
链路映射子系统,用于进行链路映射;
所述节点映射子系统还包含接近度计算模块,排序模块和映射模块;
所述接近度计算模块,用于根据接近度中心性策略计算底层网络和虚拟网络中的所有节点的接近度;所述接近度中心性策略为一个节点到网络中所有可达节点的最短路径的和最小,则该节点在网络中更加接近中心也越重要;如果一个节点到其余所有节点的最短路径和较大,则该节点更加接近网络的边缘也越不重要;
所述排序模块,用于将接近度计算模块计算得到的接近度进行排序;
所述映射模块,用于利用排序的结果作为先验知识,在节点映射算法的过程中,按照“大到大,小到小”的映射完成虚拟网络节点到底层网络的节点映射;
所述接近度计算模块采用如下计算接近度:
其中,d(i,j)代表节点ni和nj之间的距离,即采用两点之间最短路径的长度来代表两个节点之间的距离;CC(ni)就是节点ni到其他节点的最短路径之和的倒数,称为接近度。
6.根据权利要求5所述的基于接近度中心性的虚拟资源分配系统,其特征在于,所述接近度计算模块进一步包含:
统计子模块,用于依据底层网络和虚拟网络的拓扑图统计底层网络和虚拟网络中各节点之间的距离;
计算子模块,用于根据统计的各节点之间的距离计算各节点的接近度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110428556.7A CN103179052B (zh) | 2011-12-20 | 2011-12-20 | 一种基于接近度中心性的虚拟资源分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110428556.7A CN103179052B (zh) | 2011-12-20 | 2011-12-20 | 一种基于接近度中心性的虚拟资源分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103179052A CN103179052A (zh) | 2013-06-26 |
CN103179052B true CN103179052B (zh) | 2016-03-02 |
Family
ID=48638682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110428556.7A Expired - Fee Related CN103179052B (zh) | 2011-12-20 | 2011-12-20 | 一种基于接近度中心性的虚拟资源分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103179052B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049315B (zh) * | 2015-08-07 | 2018-12-07 | 浙江大学 | 一种基于虚拟网络分割的虚拟网络改进映射方法 |
CN106649893B (zh) * | 2015-10-27 | 2020-10-20 | 国家计算机网络与信息安全管理中心 | 一种识别网络图中关键节点的分布式方法 |
CN106961343B (zh) * | 2016-01-08 | 2020-07-17 | 中兴通讯股份有限公司 | 一种虚拟映射方法及装置 |
CN105871606B (zh) * | 2016-03-29 | 2020-04-10 | 南京邮电大学 | 一种基于分治策略的增强虚拟网络生存性的映射方法 |
CN105939244A (zh) * | 2016-06-14 | 2016-09-14 | 北京邮电大学 | 一种协同虚拟网络映射方法 |
CN107947955A (zh) * | 2016-10-13 | 2018-04-20 | 中国科学院声学研究所 | 一种结合虚拟树映射和中心性的网络鲁棒性增强方法 |
CN108243044B (zh) * | 2016-12-27 | 2021-08-24 | 山东财兜信息科技有限公司 | 业务部署的方法与装置 |
CN107124306B (zh) * | 2017-04-24 | 2019-11-05 | 电子科技大学 | 网络功能虚拟化环境下的内容交付网络服务器优化部署方法 |
CN107277832A (zh) * | 2017-06-12 | 2017-10-20 | 重庆邮电大学 | 一种无线虚拟网络的映射方法 |
CN107491582B (zh) * | 2017-07-07 | 2020-05-12 | 西北工业大学 | 一种产品设计关键要素提取方法 |
CN107360031B (zh) * | 2017-07-18 | 2020-04-14 | 哈尔滨工业大学 | 一种基于优化开销收益比的虚拟网络映射方法 |
CN108270695A (zh) * | 2018-01-08 | 2018-07-10 | 南京邮电大学 | 一种保持节点相邻的虚拟网络映射方法 |
CN108377220B (zh) * | 2018-02-27 | 2020-10-02 | 重庆邮电大学 | 一种节点重要性感知的透明虚拟光网络协同映射方法 |
CN110380959B (zh) * | 2018-04-13 | 2020-11-17 | 华为技术有限公司 | 转发报文方法和装置 |
CN109299090B (zh) * | 2018-09-03 | 2023-05-30 | 平安科技(深圳)有限公司 | 基金中心度计算方法、系统、计算机设备和存储介质 |
CN109150627B (zh) * | 2018-10-09 | 2021-11-23 | 南京邮电大学 | 基于动态资源需求及拓扑感知的虚拟网络映射的构建方法 |
CN109921934B (zh) * | 2019-03-11 | 2021-06-11 | 湖南大学 | 一种基于路径拆分和能耗感知的虚拟网络映射方法 |
CN110224918A (zh) * | 2019-05-17 | 2019-09-10 | 西安交通大学 | 一种跨域sdn虚拟网络映射方法 |
CN110933728B (zh) * | 2019-12-26 | 2021-09-24 | 北京智芯微电子科技有限公司 | 虚拟化无线传感网络的映射方法、装置、存储介质 |
CN112751911B (zh) * | 2020-12-15 | 2022-10-21 | 北京百度网讯科技有限公司 | 路网数据处理方法、装置、设备以及存储介质 |
CN112688848B (zh) * | 2020-12-17 | 2021-12-21 | 北京邮电大学 | 一种异构虚拟网络映射方法及系统 |
CN114745274A (zh) * | 2022-04-15 | 2022-07-12 | 烽火通信科技股份有限公司 | 一种基于灵活栅格光网络实现虚拟网络映射的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0801481A2 (en) * | 1996-04-12 | 1997-10-15 | Alcatel | Virtual private network |
CN102075429A (zh) * | 2011-01-21 | 2011-05-25 | 北京邮电大学 | 一种基于就近原则的虚拟网络映射方法 |
CN102223281A (zh) * | 2011-06-24 | 2011-10-19 | 清华大学 | 基于虚拟网络资源需求动态变化的再映射方法 |
-
2011
- 2011-12-20 CN CN201110428556.7A patent/CN103179052B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0801481A2 (en) * | 1996-04-12 | 1997-10-15 | Alcatel | Virtual private network |
CN102075429A (zh) * | 2011-01-21 | 2011-05-25 | 北京邮电大学 | 一种基于就近原则的虚拟网络映射方法 |
CN102223281A (zh) * | 2011-06-24 | 2011-10-19 | 清华大学 | 基于虚拟网络资源需求动态变化的再映射方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103179052A (zh) | 2013-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103179052B (zh) | 一种基于接近度中心性的虚拟资源分配方法及系统 | |
CN104995870B (zh) | 多目标服务器布局确定方法和装置 | |
CN103699606B (zh) | 一种基于顶点切割与社区聚集的大规模图划分方法 | |
Feng et al. | Topology-aware virtual network embedding based on multiple characteristics | |
Sun et al. | The cost-efficient deployment of replica servers in virtual content distribution networks for data fusion | |
Wang et al. | A deep learning based energy-efficient computational offloading method in Internet of vehicles | |
Das et al. | Energy efficient routing protocol for manet based on vague set measurement technique | |
CN102281290B (zh) | 一种PaaS云平台的仿真系统及方法 | |
CN105446979A (zh) | 数据挖掘方法和节点 | |
CN103457752A (zh) | 一种虚拟网络映射方法 | |
CN104104621B (zh) | 一种基于非线性降维的虚拟网络资源动态自适应调节方法 | |
CN105574541A (zh) | 一种基于紧密度排序的网络社区发现方法 | |
CN103500168A (zh) | 一种基于拓扑势的重叠复杂网络社区发现方法及系统 | |
CN110995597A (zh) | 一种电力通信网安全链路选择方法和系统 | |
Samani et al. | Multilayer resource-aware partitioning for fog application placement | |
Hababeh | Improving network systems performance by clustering distributed database sites | |
Hassan et al. | Evaluation of clustering algorithms for DAP placement in wireless smart meter network | |
CN111324429A (zh) | 一种基于多代血统参考距离的微服务组合调度方法 | |
Qin et al. | An improved Top‐K algorithm for edge servers deployment in smart city | |
Behera et al. | An efficient modularity based algorithm for community detection in social network | |
El Gaily et al. | Constrained quantum optimization for resource distribution management | |
CN104125146A (zh) | 一种业务处理方法及装置 | |
Park | An Efficient Scalable Spatial Data Search for Location-Aware Mobile Services. | |
CN105721201A (zh) | 一种节能的虚拟网络迁移方法 | |
Mansha et al. | Multi-query optimization in federated databases using evolutionary algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160302 Termination date: 20181220 |