CN104348695A - 一种基于人工免疫系统的虚拟网络映射方法及其系统 - Google Patents

Abstract

本发明提供一种基于人工免疫系统的虚拟网络映射方法，包括：S1、设定编码策略，由编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；S2、对物理节点与物理链路分别进行初始化；S3、计算抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；S4、对抗体x进行复制、交叉和变异的迭代过程，得到最优解，进行迭代过程的次数为预设的迭代次数。本发明还提供一种基于人工免疫系统的虚拟网络映射系统，包括编码模块、初始化模块、计算模块以及迭代模块。本发明能提高物理网络资源的利用率，优化网络资源开销，降低物理网络能耗开销。

Description

一种基于人工免疫系统的虚拟网络映射方法及其系统

技术领域

本发明涉及计算机网络领域的网络虚拟化技术领域，尤其涉及一种基于人工免疫系统的虚拟网络映射方法及其系统。

背景技术

作为全世界最大的计算机网络，Internet由于其方便、快捷、跨越时间和空间的特性，自从其出现以来，以惊人的、前所未有的速度在全球范围内获得了飞速发展。但是，与此同时，Internet本身也存在严重的问题。例如，它只能提供“尽力而为”的服务，使得其在移动性、可靠性和安全性方面均面临诸多问题，严重阻碍了Internet的进一步发展。为了解决这些问题，研究学者试图提出各种方法，最终却发现往往只能以修修补补的方式对Internet的架构进行“添砖加瓦”，远远无法满足日益出现的新架构和新技术的融入需求。

为了更加有效地、更根本性地解决Internet存在的问题，网络虚拟化技术应运而生，为Internet的发展提供了新的契机和方向。其主要思想是，将服务提供商(Service Provider，SP)的角色和基础设施提供商(InfrastructureProvider，InP)的角色予以解耦。

由服务提供商向基础设施提供商提出虚拟网络请求，基础设施提供商在所管理运营的基础设施之上创建虚拟网络，提供虚拟网络租赁服务。基础设施提供商根据虚拟网络的规模大小以及持续时间向服务提供商收取一定的收益。现有研究只将物理网络的运营收益作为虚拟网络映射方法的主要评估指标，即集中在利用有限的物理网络资源部署尽可能多的虚拟网络，而忽略了由于虚拟网络映射带来的物理网络的能耗问题。有关研究显示，在数据中心中，能耗开销已经占到数据中心总开销的12-20％，占运营开销的40-50％^[11-13]。而在Internet网络中，能耗开销也已经成为Internet服务提供商的总开销的重要组成部分。因此，降低能耗开销业已成为基础设施提供商们最小化运营开销、最大化所获利润的关键途径。

发明内容

本发明的特征和优点在下文的描述中部分地陈述，或者可从该描述显而易见，或者可通过实践本发明而学习。

为克服现有技术的问题，本发明提供一种基于人工免疫系统的虚拟网络映射方法及其系统，将问题的解即编码方案视为抗体x，借助于生物免疫系统的原理，问题的解经过复制、交叉和变异的迭代过程，越来越接近最优解，直到满足一定的迭代条件后终止迭代，从而达到最大化运营收益和最小化能耗开销的双重目标。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供一种基于人工免疫系统的虚拟网络映射方法，其特征在于，包括：

S1、设定编码策略，由该编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；

S2、对物理节点与物理链路分别进行初始化；

S3、计算该抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；

S4、对该抗体x进行复制、交叉和变异的迭代过程，得到最优解，进行该迭代过程的次数为预设的迭代次数。

根据本发明的一个实施例，该步骤S1中的编码策略为：

$X_i=(x_i^1,x_i^2,...x_i^j...,x_i^d)\∈\mathrm{\Ω}(1\≤i\≤P)$

其中，P表示抗体的种群大小，d表示虚拟节点的个数；为自然数，表示将编号为j的虚拟节点映射到了编号为的物理节点上。

根据本发明的一个实施例，该步骤S2具体包括：

构建虚拟节点的候选物理节点列表，根据物理节点的带宽资源等级值以及CPU能力差等级值计算该物理节点的综合等级值，并根据该综合等级值对该候选物理节点列表中的物理节点进行非降序排列，并优先选择排序靠前的物理节点；

寻找能够满足虚拟链路带宽需求的所有物理链路，构成链路集合，将该物理链路上资源开销与能耗开销做归一化处理，并据此计算该物理链路的综合适应度函数，在该链路集合中选择具有最小综合适应度函数的物理链路。

根据本发明的一个实施例，在计算该物理节点的综合等级值时，计算CPU能力和的CPU约束的差值，据此对该候选列表中的物理节点进行非降序排序，利用CPU能力差等级值NR_E(s)表示该物理节点在该非降序排序中的等级值；计算拓扑感知的节点带宽资源等级值记为NR_R(s)，该物理节点的综合等级值NR＝α·NR_R(s)+(1-α)·NR_E(s)；

在构建链路集合P时，计算出每两个物理节点u和v之间的最短距离len_uv，从承载了虚拟节点u的物理节点i和承载了虚拟节点v的物理节点j之间寻找距离长度在[len_uv,MAXLEN]之内且能够满足虚拟链路l_uv带宽需求的所有路径；

在计算该物理链路的综合适应度函数时，首先计算物理链路P_ij上的资源开销C(p_ij)和能耗开销E(p_ij)，并做以下归一化处理：

$C{\left(p_{\mathrm{ij}}\right)}_n=\frac{C\left(p_{\mathrm{ij}}\right)-C{\left(l_{\mathrm{uv}}\right)}_{\min }}{C{\left(l_{\mathrm{uv}}\right)}_{\max }-C{\left(l_{\mathrm{uv}}\right)}_{\min }},$

其中，C(l_uv)_max和C(l_uv)_min分别表示在集合P中所有物理链路的资源开销的最大值和最小值。

$E{\left(p_{\mathrm{ij}}\right)}_n=\frac{E\left(p_{\mathrm{ij}}\right)-E{\left(l_{\mathrm{uv}}\right)}_{\min }}{E{\left(l_{\mathrm{uv}}\right)}_{\max }-E{\left(l_{\mathrm{uv}}\right)}_{\min }},$

其中，E(l_uv)_max和E(l_uv)_min分别表示在集合P中所有物理链路的能耗开销的最大值和最小值。

再利用公式f(p_ij)＝α·C(p_ij)_n+(1-α)·E(p_ij)_n,计算每条物理链路的综合适应度函数。

根据本发明的一个实施例，该步骤S4中对该抗体x进行复制时，包括步骤：

建立二维坐标，该二维坐标的x轴代表归一化的资源开销，y轴代表归一化的能耗开销；

将该x轴与y轴的(0,1)范围进行n等分，使该二维坐标被均分为n²个区域；

根据每个该抗体x的归一化的资源开销和能耗开销分别确定该抗体x落在该二维坐标的第几个区域；

用den_i表示第i个区域内该抗体x的个数，该第i个区域内的所有抗体被复制的概率为：

$P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j-{\mathrm{den}}_i}{(n-1)\·\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j}\·\frac{1}{{\mathrm{den}}_i}$

在该第i个区域内的每个抗体x被复制的副本数为，其中M_co表示在每次迭代过程中总的复制副本数。

根据本发明的一个实施例，该步骤S4中对抗体进行交叉时：随机寻找和该抗体配对的配对抗体，找到出现在该抗体中，但是在该配对抗体中没有出现的所有元素；然后对该元素，检查该配对抗体中的相应的维度是否在该抗体中出现：如果没有出现，则进行置换；否则跳过这一元素，检查下一个元素，直到对所有元素都检查完毕或者置换的次数达到预先设置的最大置换次数。

根据本发明的一个实施例，该步骤S4中对该抗体x进行变异时，将第i次迭代过程中的变异概率动态地设置为1/i。

根据本发明的另一个方面，提供一种基于人工免疫系统的虚拟网络映射系统，其特征在于，包括：

编码模块，用于设定编码策略，由该编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；

初始化模块，用于对物理节点与物理链路分别进行初始化；

计算模块，用于计算该抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；

迭代模块，用于对该抗体x进行复制、交叉和变异的迭代过程，得到最优解；该迭代过程的次数为预设的迭代次数。

根据本发明的一个实施例，该初始化模块包括节点初始化子模块和链路初始化子模块，其中：

该节点初始化模块用于构建虚拟节点的候选物理节点列表，根据物理节点的带宽资源等级值以及CPU能力差等级值计算该物理节点的综合等级值，并根据该综合等级值对该候选物理节点列表中的物理节点进行非降序排列，并优先选择排序靠前的物理节点；

该链路初始化模块用于寻找能够满足虚拟链路带宽需求的所有物理链路，构成链路集合，将该物理链路上资源开销与能耗开销做归一化处理，并据此计算该物理链路的综合适应度函数，在该链路集合中选择具有最小综合适应度函数的物理链路。

根据本发明的一个实施例，该迭代模块由复制子模块、交叉子模块以及变异子模块组成；

该复制子模块用于：建立二维坐标，该二维坐标的x轴代表归一化的资源开销，y轴代表归一化的能耗开销；将该x轴与y轴的(0,1)范围进行n等分，使该二维坐标被均分为n²个区域；根据每个该抗体x的归一化的资源开销和能耗开销分别确定该抗体x落在该二维坐标的第几个区域；用den_i表示第i个区域内该抗体x的个数，该第i个区域内所有抗体被复制的概率为：

$P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j-{\mathrm{den}}_i}{(n-1)\·\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j}\·\frac{1}{{\mathrm{den}}_i}$

在该第i个区域内的每个抗体x被复制的副本数为，其中M_co表示在每次迭代过程中总的复制副本数；

该交叉子模块用于：在对抗体进行交叉时，随机寻找和该抗体配对的配对抗体，找到出现在该抗体中，但是在该配对抗体中没有出现的所有元素；然后对该元素，检查该配对抗体中的相应的维度是否在该抗体中出现：如果没有出现，则进行置换；否则跳过这一元素，检查下一个元素，直到对所有元素都检查完毕或者置换的次数达到预先设置的最大置换次数；

该变异子模块用于：在对该抗体x进行变异时，将第i次迭代过程中的变异概率动态地设置为1/i。

通过阅读说明书，本领域普通技术人员将更好地了解这些技术方案的特征和内容。

附图说明

下面通过参考附图并结合实例具体地描述本发明，本发明的优点和实现方式将会更加明显，其中附图所示内容仅用于对本发明的解释说明，而不构成对本发明的任何意义上的限制，在附图中：

图1为本发明实施例的基于人工免疫系统的虚拟网络映射方法的流程示意图。

图2为本发明实施例的基于人工免疫系统的虚拟网络映射系统的结构示意图。

图3为本发明实施例的物理网络长期平均运营收益与采用现有技术算法得出的物理网络长期平均运营收益的对比示意图。

图4为本发明实施例的物理网络能耗开销与采用现有技术算法得出的物理网络能耗开销的对比示意图。

图5为本发明实施例的物理网络已开启节点的数量与采用现有技术算法得出的物理网络已开启节点的数量的对比示意图。

图6为本发明实施例的虚拟网络映射实例的示意图。

具体实施方式

如图1所示，本发明提供一种基于人工免疫系统的虚拟网络映射方法，包括步骤：

S1、设定编码策略，由该编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；

S2、对物理节点与物理链路分别进行初始化；

S3、计算该抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；

S4、对该抗体x进行复制、交叉和变异的迭代过程，得到最优解，进行该迭代过程的次数为预设的迭代次数。

在步骤S1中的节点映射方案是指将虚拟节点映射到满足其节点约束条件的物理节点上的方案。具体来说：

在物理网络中，物理网络拓扑可以标记为带权无向图其中N_s表示物理网络节点的集合，L_s表示物理网络链路的集合。与分别表示物理节点n_s(n_s∈N_s)与l_s(l_s∈L_s)所具有属性的集合。物理节点n_s具有的属性为该节点当前可用计算能力CPU(n_s)与物理位置D(n_s)；底层链路l_s具有的属性为该链路当前可用的带宽资源BW(l_s)。

与物理网络类似，虚拟网络拓扑也可被标记为带权无向图其中N_v为虚拟节点的集合，L_v为虚拟链路的集合，与分别表示虚拟节点n_v(n_v∈N_v)与虚拟链路l_v(l_v∈L_v)的资源约束。一般来讲，虚拟节点的资源约束主要考虑该虚拟节点的计算能力需求，虚拟链路的资源约束主要考虑该虚拟链路的带宽资源需求。对于一个虚拟网络请求，可用三元组VNR⁽ⁱ⁾(G_v,t_a,t_d)来表示，其中t_a表示虚拟网络请求的到达时刻，t_d表示虚拟网络在物理网络中持续的时间。当第i个虚拟网络请求到达后，物理网络应该为其分配满足其节点与链路需求的相应资源。当虚拟网络离开物理网络时，为其分配的资源将被释放。另外，当物理网络资源不足时，应将该请求直接拒绝。

而虚拟网络映射则被定义为：M:G_v(N_v,L_v)→G_s(N'_s,P′_s)，其中(P_s表示所有物理网络的无环路径)。映射可以分解为两个步骤：节点映射和链路映射。节点映射是指将虚拟节点映射到满足其节点约束条件的物理节点上；链路映射是指将虚拟链路映射到满足其带宽约束条件的底层无环路径上。

针对上述步骤S3，本发明还分别提出了虚拟节点和虚拟链路映射的功耗模型：

(1)在虚拟节点的映射过程中，本发明将提供CPU能力的物理网络节点称为宿主节点(hosting node)。在映射虚拟节点u到相应的物理网络宿主节点h_u的过程中，产生的额外的功耗可以表示为：

$P_N^{h_u}=\left\{\begin{array}{c}{P}_b+P_l\mathrm{CPU}\left(u\right)(\mathrm{if}{S}_{h_u}=0)\\ P_l\mathrm{CPU}\left(u\right)\left(\mathrm{otherwise}\right)\end{array}\right.$    公式(1)

其中P_b代表节点的基线功耗，P_iCPU(u)代表功耗随CPU变化的线性系数，表示开关状态，h_u＝0表示物理节点h_u处于inactive状态；otherwise表示物理节点h_u处于active状态。

因此，在虚拟节点映射阶段产生的功耗为：

$P_N=N_h{P}_b+P_l\underset{u\∈N_v}{\mathrm{\Σ}}\mathrm{CPU}\left(u\right),$    公式(2)

其中，N_h表示在节点映射过程中需要打开的宿主节点的数量。

(2)在虚拟链路的映射过程中，可能会将一个虚拟链路映射到物理网络的一条物理链路P上。在物理链路P上，除去两端的宿主节点用于在链路映射的过程中，负责数据包的发送和接收，其它的提供数据包转发的物理网络节点被称为转发节点(forwarding node)。宿主节点因数据包收发而产生的功耗为：

$P_{l_{\mathrm{uv}}}^{h_u}=\left\{\begin{array}{c}{P}_n(\mathrm{if}{S}_{h_u}=0)\\ 0\left(\mathrm{otherwise}\right)\end{array}\right.$    公式(3)

其中P_n代表数据包转发引擎的功耗。

转发节点因数据转发所消耗的功耗为：

$P_{l_{\mathrm{uv}}}^{i_{\mathrm{uv}}}=\left\{\begin{array}{c}{P}_b+P_n(\mathrm{if}{S}_{i_{\mathrm{uv}}}=0)\\ 0\left(\mathrm{otherwise}\right)\end{array}\right.$    公式(4)

因此，在虚拟链路映射阶段产生的功耗为：

P_L＝N_hP_n+N_f(P_b+P_n)  公式(5)

其中，N_f表示在链路映射过程中需要开启的转发节点的数量。

(3)为映射一个虚拟网络请求，物理网络的总功耗为：

$P=P_N+P_L=(N_h+N_f)(P_b+P_n)+P_l\underset{u\∈N_v}{\mathrm{\Σ}}\mathrm{CPU}\left(u\right)$    公式(6)

由公式(6)可以得出，为映射当前虚拟网络G_v，物理网络的能耗为：

E(G_v)＝P·t_d。  公式(7)

因此，物理网络在时间T内的长期平均能耗开销定义如下：

$\underset{T\→\∞}{\lim }\frac{\underset{t=0}{\overset{T}{\mathrm{\Σ}}}{E}^i\left(G_v\right)}{T}$    公式(8)

而为映射当前虚拟网络G_v，物理网络的资源开销则可以定义为：

$C\left(G_v\right)=\underset{u\∈N_v}{\mathrm{\Σ}}\mathrm{CPU}\left(u\right)+\underset{l_{\mathrm{uv}}\∈L_v}{\mathrm{\Σ}}\underset{l_{\mathrm{ij}}\∈L_s}{\mathrm{\Σ}}{f}_{\mathrm{ij}}^{\mathrm{uv}}\·\mathrm{BW}\left(l_{\mathrm{uv}}\right),$    公式(9)

其中，为二进制变量表示物理链路l_ij承载了虚拟链路l_uv；表示l_ij没有承载l_uv。

虚拟网络映射的主要评价指标除了上述的物理网络长期平均能耗以及物理网络的资源开销外，还包括物理网络长期平均运营收益，具体来说，为映射当前虚拟网络G_v，物理网络所获取的收益定义如下：

$R^i\left(G_v\right)=(\underset{u\∈N_v}{\mathrm{\Σ}}\mathrm{CPU}\left(n_v\right)+\underset{l_{\mathrm{uv}}\∈L_v}{\mathrm{\Σ}}\mathrm{BW}\left(l_v\right))\·t_d$    公式(10)

基于上述公式，物理网络在时间T内的长期平均运营收益定义如下：

$\underset{T\→\∞}{\lim }\frac{\underset{t=0}{\overset{T}{\mathrm{\Σ}}}{R}^i\left(G_v\right)}{T}$ 公式(11)

根据已有研究，最小化映射当前虚拟网络的资源开销，有助于为后续的虚拟网络请求节省更大的资源空间，提高后续虚拟网络请求的映射成功率，从而达到最大化物理网络长期运营收益的目的。因此，本发明将最大化物理网络长期运营收益的目标替代为最小化网络资源开销。

本发明提供的多目标的基于人工免疫系统的虚拟网络映射算法(Revenueand Energy aware Artificial Immune System based on virtual network embedding，简称RE-AIS)，借助生物免疫系统的原理，在生物免疫系统中，当机体受到外界病原体(抗原)侵入时，免疫系统会在机体内选择能识别和消灭该抗原的免疫细胞，使之激活、分化和增殖，以消灭抗原。人工免疫系统(Artificial ImmuneSystem，AIS)是基于生物免疫系统的原理和特征而建立起来的用于解决各类复杂问题的计算系统。在该系统中，将待解决的问题视为抗原，将问题的解视为抗体，借助于生物免疫系统的原理，问题的解经过复制、交叉和变异的迭代过程，越来越接近最优解，直到满足一定的迭代条件后终止迭代。然而由于虚拟网络映射问题的特殊性，人工免疫系统不能直接应用于该问题的求解，需要设计相应的个性化策略，主要包括步骤S1中的编码策略，在步骤S2中需要采用的初始化策略和在步骤S3中需要采用的迭代策略。

在传统的人工免疫系统中，往往使用二进制编码策略。但是应用该策略在虚拟网络映射问题中具有歧义性。例如，对于一个包含3个节点的虚拟网络和一个包含5个节点的物理网络，节点映射方案可能为(1→2,2→4,3→5)或者(1→4,2→2,3→5)(箭头前后分别表示虚拟节点和物理节点的编号)，如果使用二进制编码策略，编码方案皆为X＝(0,1,0,1,1)。因此，在本实施例中，步骤S1中的编码策略为：

$X_i=(x_i^1,x_i^2,...x_i^j...,x_i^d)\∈\mathrm{\Ω}(1\≤i\≤P)$

其中，P表示抗体的种群大小，d表示虚拟节点的个数；为自然数，表示将编号为j的虚拟节点映射到了编号为的物理节点上。由该编码策略得出的编码方案可以和节点映射方案一对一对应。

传统的人工免疫初始化策略往往采用随机化初始策略。但是在虚拟网络映射问题中，采用该策略容易产生不可行解，即使是可行解，离最优解的距离往往也较远。为此，在步骤S2中，本发明在节点映射和链路映射分别设计了收益和能耗感知的初始化策略。

步骤S2中在进行物理节点初始化时，包括：构建虚拟节点的候选物理节点列表，根据物理节点的带宽资源等级值以及CPU能力差等级值计算该物理节点的综合等级值，并根据该综合等级值对该候选物理节点列表中的物理节点进行非降序排列，并优先选择排序靠前的物理节点。具体来说：

在收益感知的节点初始化方面，本发明在虚拟网络节点的映射过程中考虑到后续的链路映射过程，将会有助于提高虚拟网络请求的接受率，进而提高物理网络的运营收益。因此，在收益感知的节点初始化方面，优先选择带宽资源最丰富的物理节点，即采用worst-fit策略：根据已有研究，计算拓扑感知的节点带宽资源等级值NR_R(s)，优先将映射到NR_R(s)最高的物理节点上。

在能耗感知的节点初始化方面，本发明设计了best-fit的策略：首先构建虚拟节点的候选物理节点列表，该列表中的物理节点需要满足虚拟节点的位置和CPU约束的节点。其次在该列表中，计算的CPU能力和的CPU约束的差值，即。然后按照大小对候选列表中的物理节点进行非降序排序。利用NR_E(s)表示节点在该序列中的等级值，则优先将映射到NR_E(s)最高的物理节点上。

综合上述两个方面，计算候选物理节点的等级值NR＝α·NR_R(s)+(1-α)·NR_E(s)(和分别表示最大化收益和最小化能耗的权重)，然后根据该值对所有物理节点进行排序。在初始化节点的过程中，优先选择排序靠前的物理节点。利用NR(i)(1≤NR(i)≤m)表示编号为i的物理节点的排序，其被选中的概率为：

$\frac{{(m-\mathrm{NR}\left(i\right)+1)}^2}{\underset{1\≤j\≤m}{\mathrm{\Σ}}{j}^2}$

该算法的优势在于：一方面能够可以提高虚拟网络尤其是链路映射阶段的成功率，从而提高物理网络的收益；另一方面，避免开启较多的物理网络宿主节点，从而降低能耗开销。

步骤S2中在进行物理链路初始化时，包括：寻找能够满足虚拟链路带宽需求的所有物理链路，构成链路集合，将该物理链路上资源开销与能耗开销做归一化处理，并据此计算该物理链路的综合适应度函数，在该链路集合中选择具有最小综合适应度函数的物理链路。具体来说：

首先，根据弗洛伊德算法预先计算出每两个物理节点u和v之间的最短距离len_uv。然后，从物理宿主节点i(承载了虚拟节点u)和j(承载了虚拟节点v)之间寻找距离长度在[len_uv,MAXLEN]之内且能够满足虚拟链路l_uv带宽需求的所有路径，构成链路集合P。

对于链路集合P中的物理链路P_ij，计算该物理链路P_ij上的资源开销C(p_ij)和能耗开销E(p_ij)，并做以下归一化处理：

$C{\left(p_{\mathrm{ij}}\right)}_n=\frac{C\left(p_{\mathrm{ij}}\right)-C{\left(l_{\mathrm{uv}}\right)}_{\min }}{C{\left(l_{\mathrm{uv}}\right)}_{\max }-C{\left(l_{\mathrm{uv}}\right)}_{\min }},$

其中，C(l_uv)_max和C(l_uv)_min分别表示在集合P中所有路径的资源开销的最大值和最小值。

$E{\left(p_{\mathrm{ij}}\right)}_n=\frac{E\left(p_{\mathrm{ij}}\right)-E{\left(l_{\mathrm{uv}}\right)}_{\min }}{E{\left(l_{\mathrm{uv}}\right)}_{\max }-E{\left(l_{\mathrm{uv}}\right)}_{\min }},$

其中，E(l_uv)_max和E(l_uv)_min分别表示在集合P中所有路径的能耗开销的最大值和最小值。

然后利用公式f(p_ij)＝α·C(p_ij)_n+(1-α)·E(p_ij)_n,计算每条物理链路的综合适应度函数；并最终在集合P中，选择适应度函数最小的路径。

在本实施例中，步骤S4中对该抗体x进行复制时，为了保证在抗体复制的过程中，尽可能地提高种群的多样性，本发明提出了密度感知的抗体复制策略。其核心思想为，在每次迭代的过程中，对于密度较低的区域里的抗体，具有较高的复制的概率，具体包括步骤：

建立二维坐标，该二维坐标的x轴代表归一化的资源开销，y轴代表归一化的能耗开销；

将该x轴与y轴的(0,1)范围进行n等分，使该二维坐标被均分为n²个区域；

根据每个该抗体x的归一化的资源开销和能耗开销分别确定该抗体x落在该二维坐标的第几个区域；

用den_i表示第i个区域内该抗体x的个数，该第i个区域内的所有抗体被复制的概率为：

$P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j-{\mathrm{den}}_i}{(n-1)\·\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j}\·\frac{1}{{\mathrm{den}}_i}$

在该第i个区域内的每个抗体x被复制的副本数为，其中M_co表示在每次迭代过程中总的复制副本数。

在传统的人工免疫的过程中，往往采用单点交叉或者多点交叉策略。但是，这些策略并不适用于虚拟网络映射问题。以单点交叉为例，对于抗体x＝(5,8,3,6,7)和y＝(1,7,2,3,8)，如果选择3作为交叉点，意味着x和y的前3维元素保持不变，余下所有元素进行交换。交叉后的抗体为x＝(5,8,3,3,8)和y＝(1,7,2,6,7)，违反了虚拟网络映射问题中两个虚拟节点不能映射到同一个物理节点上的约束条件。因此，在交叉过程中，需要额外加入重复元素的检测处理过程。在本实施例的步骤S4中对抗体进行交叉时：随机寻找和该抗体(例如x)配对的配对抗体(例如y)，找到出现在抗体x中，但是在配对抗体y中没有出现的所有元素；然后对这些元素，检查配对抗体y中的相应的维度是否在抗体x中出现：如果没有出现，则进行置换；否则跳过这一元素，检查下一个元素，直到对所有元素都检查完毕或者置换的次数达到预先设置的最大置换次数。

人工免疫算法的性能容易受变异概率高低的影响：一方面，较高的变异概率可以扩大搜索空间，提高种群的多样性，但是容易增加种群进化的扰动，从而降低了收敛速度；另一方面，较低的变异概率可以加速算法的收敛速度，但是无法保证种群的多样性，陷入局部最优的概率也会变大。本发明综合考虑上述两个因素，在步骤S4中对该抗体x进行变异时，将在第i次迭代过程中的变异概率动态地设置为1/i。该策略的优势在于，当i较小时，具有较大的变异概率，能够增加种群的多样性；当i较大时，具有较小的变异概率，能够避免算法的扰动，使算法快速收敛。

在本发明中，上述步骤S1至S4的具体算法步骤如下所示：

Input:虚拟网络G_v，物理网络G_s，最大种群大小M，初始种群大小M_c，迭代次数I，每次增长的种群规模大小M_co。

Output:收益和能耗感知的虚拟节点映射方案

步骤1  for 每个虚拟节点u∈N_v do

步骤2  构建候选物理节点列表；

步骤3  for 每个抗体x∈M_c do

步骤4  进行物理节点的初始化；

步骤5  进行物理链路的初始化；

步骤6  while 当前迭代次数i≤I do步骤7  for 每个抗体x∈M do

步骤8  计算x的适应度f(x)＝(C(x),E(x))；

步骤9  建立二维坐标，并确定该抗体在二维坐标中的位置；

步骤10 对该抗体进行复制；

步骤11 for 每个抗体x∈M do

步骤12 随机寻找和该抗体配对的抗体y，进行交叉；

步骤13 for 每个抗体x∈M do

步骤14 计算变异概率；

步骤15 if 需要变异 then

步骤16 对该抗体重新进行节点初始化；

步骤17 重新计算f(x)；

步骤18 if 种群大小＞M

步骤19 按照f(x)＝α·C(x)_n+(1-α)·E(x)_n的大小，对所有抗体进行非降序排序；

步骤20 在上述序列中，选择前M个抗体，进入下次迭代；

步骤21 i++

在上述步骤中，在步骤15中，如果不需要变异，则进入步骤18；在步骤18中，如果种群大小≤M，则进入步骤21；步骤20中的进入下次迭代是指重复步骤10至19。

如图2所示，本发明还提供一种基于人工免疫系统的虚拟网络映射系统，包括：编码模块10，用于设定编码策略，由该编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；初始化模块20，用于对物理节点与物理链路分别进行初始化；计算模块30，用于计算该抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；迭代模块40，用于对该抗体x进行复制、交叉和变异的迭代过程，得到最优解；该迭代过程的次数为预设的迭代次数。

该编码模块10中的编码策略为：

$X_i=(x_i^1,x_i^2,...x_i^j...,x_i^d)\∈\mathrm{\Ω}(1\≤i\≤P)$

其中，P表示抗体的种群大小，d表示虚拟节点的个数；为自然数，表示将编号为j的虚拟节点映射到了编号为的物理节点上。

该初始化模块20包括节点初始化子模块21和链路初始化子模块22，其中：节点初始化模块21用于构建虚拟节点的候选物理节点列表，根据物理节点的带宽资源等级值以及CPU能力差等级值计算该物理节点的综合等级值，并根据该综合等级值对该候选物理节点列表中的物理节点进行非降序排列，并优先选择排序靠前的物理节点；链路初始化模块22用于寻找能够满足虚拟链路带宽需求的所有物理链路，构成链路集合，将该物理链路上资源开销与能耗开销做归一化处理，并据此计算该物理链路的综合适应度函数，在该链路集合中选择具有最小综合适应度函数的物理链路。

迭代模块40由复制子模块41、交叉子模块42以及变异子模块43组成；其中，复制子模块41用于：建立二维坐标，该二维坐标的x轴代表归一化的资源开销，y轴代表归一化的能耗开销；将该x轴与y轴的(0,1)范围进行n等分，使该二维坐标被均分为n²个区域；根据每个该抗体x的归一化的资源开销和能耗开销分别确定该抗体x落在该二维坐标的第几个区域；用den_i表示第i个区域内该抗体x的个数，该第i个区域内所有抗体被复制的概率为：

$P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j-{\mathrm{den}}_i}{(n-1)\·\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j}\·\frac{1}{{\mathrm{den}}_i}$

在该第i个区域内的每个抗体x被复制的副本数为，其中M_co表示在每次迭代过程中总的复制副本数；

交叉子模块42用于：在对抗体进行交叉时，随机寻找和该抗体(例如x)配对的配对抗体(例如y)，找到出现在抗体x中，但是在配对抗体y中没有出现的所有元素；然后对这些元素，检查配对抗体y中的相应的维度是否在抗体x中出现：如果没有出现，则进行置换；否则跳过这一元素，检查下一个元素，直到对所有元素都检查完毕或者置换的次数达到预先设置的最大置换次数；

变异子模块43用于：在对该抗体x进行变异时，将第i次迭代过程中的变异概率动态地设置为1/i。

与现有技术中提出的虚拟网络映射算法以及基于粒子群(Particle SwarmOptimization，PSO)和模拟退火(Simulated Annealing，SA)的虚拟网络映射算法相比，本发明在提高物理网络长期平均运营收益(公式11)的同时，显著降低了物理网络的长期平均能耗开销(公式8)。下面辅以具体的实验说明本发明提供的基于人工免疫系统的虚拟网络映射方法或系统的性能。实验的设置如下：

物理网络拓扑被设置为具有50个节点，每两个节点之间连接概率为0.5。物理网络节点CPU资源与带宽资源服从50-100的均匀分布。假设在每100个时间单元内虚拟网络请求的到达服从均值为4的泊松过程，每一个虚拟网络的生存时间服从指数分布，其平均生存时间为500个时间单元。对于每一个虚拟网络请求，虚拟网络节点服从2-10的均匀分布，每一对虚拟网络节点以0.5的概率相连。虚拟网络节点CPU资源与链路带宽资源需求服从0-50的均匀分布。网络拓扑结构和其附加的位置信息均利用GT-ITM工具随机产生，其二维位置坐标的x与y变量服从0-25的均匀分布，并假设所有的虚拟网络映射请求的位置约束条件W_u均取常量。每次模拟实验运行约50000个时间单元，包含2000个虚拟网络请求。本发明对于能耗开销的设置如下：设置为150W，设置为1.5，设置为15W。

图3表明，与现有技术中的D-ViNE-SP相比，本发明提供的RE-AIS可以获得更多的物理网络运营收益。这是因为：(1)RE-AIS在节点的映射阶段，考虑到了后续的链路映射，有助于提高虚拟网络的映射成功率；(2)RE-AIS采用的整合技术，可以提高物理网络资源的利用率，为后续的虚拟网络请求节省更多的资源空间。和现有技术中的RE-PSO和RE-SA的算法相比，本发明提供的RE-AIS获得的收益也有了较大幅度的提高。这是因为RE-SA算法在迭代过程中，收敛较慢，而RE-PSO算法虽然能够获得较快的收敛，但是易于陷入局部最优，因此在迭代的过程中，不能很好地优化网络资源开销，从而产生较低的运营收益。

图4表明，与现有技术中D-ViNE-SP相比，本发明提供的RE-AIS显著降低了物理网络运营商的能耗开销。其原因在于，本发明提供的RE-AIS可以将虚拟网络整合到更少的物理网络节点中(如图5所示)，从而避免开启新的物理节点，降低物理网络能耗开销。和RE-SA以及RE-PSO算法相比，RE-AIS算法能够获得较低的能耗开销，原因在于RE-SA算法收敛速度较慢，而RE-PSO算法易于陷入局部最优。

本发明提供的基于人工免疫系统的虚拟网络映射方法及其系统可以应用于支持网络虚拟化技术的骨干网络或数据中心网络环境中，通过降低物理网络能耗开销，为物理网络运营商提供更高的经济效益。本发明的RE-AIS算法以物理网络和虚拟网络请求的拓扑结构和资源能力情况作为输入，以较优的收益和能耗感知的虚拟网络映射方案作为输出。

请参照图6，图6描绘了采用RE-AIS算法获得的一个较优的虚拟网络映射方案，在收益和能耗之间达到很好的均衡效果。其中，对于虚拟网络请求，虚拟节点附近矩形中的数字表示该虚拟节点的计算资源需求，虚拟链路附近的数字表示该虚拟链路的带宽资源需求；对于物理网络，物理节点附近矩形中的数字表示该物理节点的可用计算资源，物理链路附近的数字表示该底层链路的可用带宽资源，灰色代表物理节点处于inactive状态，白色代理物理节点处于active状态。采用本发明提供的基于人工免疫系统的虚拟网络映射方法及其系统所获得的节点映射方案为{a→A,b→B,c→F},链路映射方案为{(a,b)→(A,B),(a,c)→(A,F),(b,c)→(B,D,F)}，可见，(b,c)的链路映射方案并没有采用(b,c)→(B,C,E,F)，充分考虑了现有技术中被忽略的物理节点的开关状态。

本发明提供的基于人工免疫系统的虚拟网络映射方法及其系统，提高了物理网络资源的利用率，为后续的虚拟网络请求节省更多的资源空间。在迭代过程中，收敛较慢，很好地优化网络资源开销，从而产生较低的运营收益，还将虚拟网络整合到更少的物理网络节点中，从而避免开启新的物理节点，降低物理网络能耗开销。

以上参照附图说明了本发明的优选实施例，本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明。举例而言，作为一个实施例的部分示出或描述的特征可用于另一实施例以得到又一实施例。以上仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效变化，均包含于本发明的权利范围之内。

Claims (10)

1.一种基于人工免疫系统的虚拟网络映射方法，其特征在于，包括：

S1、设定编码策略，由所述编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；

S2、对物理节点与物理链路分别进行初始化；

S3、计算所述抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；

S4、对所述抗体x进行复制、交叉和变异的迭代过程，得到最优解，进行所述迭代过程的次数为预设的迭代次数。

2.根据权利要求1所述基于人工免疫系统的虚拟网络映射方法，其特征在于，所述步骤S1中的编码策略为：

$X_i=(x_i^1,x_i^2,\·\·\·x_i^j\·\·\·,x_i^d)\∈\mathrm{\Ω}(1\≤i\≤P)$

其中，P表示抗体的种群大小，d表示虚拟节点的个数；为自然数，表示将编号为j的虚拟节点映射到了编号为的物理节点上。

3.根据权利要求1所述基于人工免疫系统的虚拟网络映射方法，其特征在于，所述步骤S2具体包括：

构建虚拟节点的候选物理节点列表，根据物理节点的带宽资源等级值以及CPU能力差等级值计算所述物理节点的综合等级值，并根据所述综合等级值对所述候选物理节点列表中的物理节点进行非降序排列，并优先选择排序靠前的物理节点；

寻找能够满足虚拟链路带宽需求的所有物理链路，构成链路集合，将所述物理链路上资源开销与能耗开销做归一化处理，并据此计算所述物理链路的综合适应度函数，在所述链路集合中选择具有最小综合适应度函数的物理链路。

4.根据权利要求3所述的基于人工免疫系统的虚拟网络映射方法，其特征在于，在计算所述物理节点的综合等级值时，计算CPU能力和的CPU约束的差值，据此对所述候选列表中的物理节点进行非降序排序，利用CPU能力差等级值NR_E(s)表示所述物理节点在所述非降序排序中的等级值；计算拓扑感知的节点带宽资源等级值记为NR_R(s)，所述物理节点的综合等级值NR＝α·NR_R(s)+(1-α)·NR_E(s)；

在构建链路集合P时，计算出每两个物理节点u和v之间的最短距离len_uv，从承载了虚拟节点u的物理节点i和承载了虚拟节点v的物理节点j之间寻找距离长度在[len_uv,MAXLEN]之内且能够满足虚拟链路l_uv带宽需求的所有路径；

在计算所述物理链路的综合适应度函数时，首先计算物理链路Pi_j上的资源开销C(p_ij)和能耗开销E(p_ij)，并做以下归一化处理：

$C{\left(p_{\mathrm{ij}}\right)}_n=\frac{C\left(p_{\mathrm{ij}}\right)-C{\left(l_{\mathrm{uv}}\right)}_{\min }}{C{\left(l_{\mathrm{uv}}\right)}_{\max }-C{\left(l_{\mathrm{uv}}\right)}_{\min }},$

其中，C(l_uv)_max和C(l_uv)_min分别表示在集合P中所有物理链路的资源开销的最大值和最小值；

$E{\left(p_{\mathrm{ij}}\right)}_n=\frac{E\left(p_{\mathrm{ij}}\right)-E{\left(l_{\mathrm{uv}}\right)}_{\min }}{E{\left(l_{\mathrm{uv}}\right)}_{\max }-E{\left(l_{\mathrm{uv}}\right)}_{\min }},$

其中，E(l_uv)_max和E(l_uv)_min分别表示在集合P中所有物理链路的能耗开销的最大值和最小值；

再利用公式f(p_ij)＝α·C(p_ij)_n+(1-α)·E(p_ij)_n,计算每条物理链路的综合适应度函数。

5.根据权利要求1所述基于人工免疫系统的虚拟网络映射方法，其特征在于，所述步骤S4中对所述抗体x进行复制时，包括步骤：

建立二维坐标，所述二维坐标的x轴代表归一化的资源开销，y轴代表归一化的能耗开销；

将所述x轴与y轴的(0,1)范围进行n等分，使所述二维坐标被均分为n²个区域；

根据每个所述抗体x的归一化的资源开销和能耗开销分别确定所述抗体x落在所述二维坐标的第几个区域；

用den_i表示第i个区域内所述抗体x的个数，所述第i个区域内的所有抗体被复制的概率为：

$P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j-{\mathrm{den}}_i}{(n-1)\·\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j}\·\frac{1}{{\mathrm{deg}}_i}$

在所述第i个区域内的每个抗体x被复制的副本数为其中M_co表示在每次迭代过程中总的复制副本数。

6.根据权利要求1所述基于人工免疫系统的虚拟网络映射方法，其特征在于，所述步骤S4中在对所述抗体进行交叉时，随机寻找和所述抗体配对的配对抗体，找到出现在所述抗体中，但是在所述配对抗体中没有出现的所有元素；然后对所述元素，检查所述配对抗体中的相应的维度是否在所述抗体中出现：如果没有出现，则进行置换；否则跳过这一元素，检查下一个元素，直到对所有元素都检查完毕或者置换的次数达到预先设置的最大置换次数。

7.根据权利要求1所述基于人工免疫系统的虚拟网络映射方法，其特征在于，所述步骤S4中对所述抗体x进行变异时，将第i次迭代过程中的变异概率动态地设置为1/i。

8.一种基于人工免疫系统的虚拟网络映射系统，其特征在于，包括：

编码模块，用于设定编码策略，由所述编码策略得出的编码方案能和节点映射方案一一对应，将编码方案视为抗体x，并预设抗体种群的大小；

初始化模块，用于对物理节点与物理链路分别进行初始化；

计算模块，用于计算所述抗体x的综合适应度f(x)＝α·C(x)_n+(1-α)·E(x)_n，其中C(x)_n表示抗体x对应的能耗开销，E(x)_n表示抗体x对应的资源开销；

迭代模块，用于对所述抗体x进行复制、交叉和变异的迭代过程，得到最优解；所述迭代过程的次数为预设的迭代次数。

9.根据权利要求8所述基于人工免疫系统的虚拟网络映射系统，其特征在于，所述初始化模块包括节点初始化子模块和链路初始化子模块，其中：

所述节点初始化模块用于构建虚拟节点的候选物理节点列表，根据物理节点的带宽资源等级值以及CPU能力差等级值计算所述物理节点的综合等级值，并根据所述综合等级值对所述候选物理节点列表中的物理节点进行非降序排列，并优先选择排序靠前的物理节点；

所述链路初始化模块用于寻找能够满足虚拟链路带宽需求的所有物理链路，构成链路集合，将所述物理链路上资源开销与能耗开销做归一化处理，并据此计算所述物理链路的综合适应度函数，在所述链路集合中选择具有最小综合适应度函数的物理链路。

10.根据权利要求8所述基于人工免疫系统的虚拟网络映射系统，其特征在于，所述迭代模块由复制子模块、交叉子模块以及变异子模块组成；

所述复制子模块用于：建立二维坐标，所述二维坐标的x轴代表归一化的资源开销，y轴代表归一化的能耗开销；将所述x轴与y轴的(0,1)范围进行n等分，使所述二维坐标被均分为n²个区域；根据每个所述抗体x的归一化的资源开销和能耗开销分别确定所述抗体x落在所述二维坐标的第几个区域；用den_i表示第i个区域内所述抗体x的个数，所述第_i个区域内所有抗体被复制的概率为：

$P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j-{\mathrm{den}}_i}{(n-1)\·\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{den}}_j}\·\frac{1}{{\mathrm{deg}}_i}$

在所述第i个区域内的每个抗体x被复制的副本数为其中M_co表示在每次迭代过程中总的复制副本数；

所述交叉子模块用于：在对所述抗体进行交叉时，随机寻找和所述抗体配对的配对抗体，找到出现在所述抗体中，但是在所述配对抗体中没有出现的所有元素；然后对所述元素，检查所述配对抗体中的相应的维度是否在所述抗体中出现：如果没有出现，则进行置换；否则跳过这一元素，检查下一个元素，直到对所有元素都检查完毕或者置换的次数达到预先设置的最大置换次数；

所述变异子模块用于：在对所述抗体x进行变异时，将第i次迭代过程中的变异概率动态地设置为1/i。