CN104468308A - 基于粒子群算法的跨域虚拟网络映射方法及系统 - Google Patents

Abstract

本发明提供了一种基于粒子群算法的跨域虚拟网络映射方法，所述方法包括：当接收到虚拟网络创建请求时，VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配；若资源匹配成功，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络；根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个InP中。本发明还提供了一种基于粒子群算法的跨域虚拟网络映射系统，包括匹配模块、划分模块及映射模块。本发明采用粒子群算法来划分虚拟网络，能够在较短时间内得到最优的划分方案,有利于加速虚拟网络映射。

Description

基于粒子群算法的跨域虚拟网络映射方法及系统

技术领域

本发明涉及通信技术领域，具体涉及基于粒子群算法的跨域虚拟网络映射方法及系统。

背景技术

虚拟网络映射是网络虚拟化的重要内容，即将虚拟网络的节点和链路映射到合适的物理节点和链路上。尽管，小规模的虚拟网络(VirtualNetwork，VN)可以被完全映射到一个基础设施提供商(InfrastructureProvider，InP)中，但是大规模的VN往往需要被映射到多个InP中。这就引出了对跨域虚拟网络映射的研究。跨域虚拟网络映射引出了对虚拟网络提供商(Virtual Network Provider，VNP)的需求。VNP是介于服务提供商(Service Provider，SP)和InP中间的一层，它负责从InP收集物理网络资源的信息。当SP收到VN请求时，SP以自己的方式表示VN，并把VN发送给VNP。根据收集的物理网络的信息，VNP组装VN，以满足客户的需求。

在实际的网络环境中，每个InP是自治域，往往不愿意公开自己物理网络的所有信息。因此，VNP只能收集到关于底层网络有限的信息。因此，基于有限信息公开的跨域虚拟网络映射是一个亟待解决的问题。已经有一些关于跨域虚拟网络映射的研究。已有一些文献对跨域虚拟网络进行了研究。对已有的文献进行检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：文献方案1：《PolyViNE:Policy-based virtual network embedding across multiple domains》提供了一种分布式的虚拟网络跨域映射方案。在这种方案中，虚拟网络跨域映射是由SP和InP协商，InP和InP协商来实现的。当一个VN请求到达时，SP至少需要知道一个InP，将VN转发给该InP。该InP承担它能够映射的那部分VN，然后将VN剩余的部分转发给其他的InP，直到VN被全部映射，返回映射成功，或者VN不能被完全映射，返回映射失败。文献方案2：《Multi-Domain Virtual Network Embedding with Limited InformationDisclosure》提供了一种基于有限信息公开的跨域虚拟网络映射方案。包括讨论了InP公开信息的程度。探究了基于有限信息公开的跨域虚拟网络映射的可行性，并用确切式的方法解决虚拟网络的划分问题。

上述文献方案1和2，是协商机制的跨域虚拟网络映射方案，可以充分考虑SP和InP双方的意愿。然而，SP和InP协商，InP和InP协商，都会引出额外的网络传输费用。而且他们没有考虑边界节点的信息。所以这两种方案可能会得到次优的跨域虚拟网络映射结果。上述文献方案2探究了基于有限信息公开的跨域虚拟网络映射的可行性。在解决虚拟网络分割时，采用的确切式的方法，没有进一步考虑网络分割的效率问题。在映射小规模的虚拟网络时，该方法能较快的得到映射结果。当映射大规模的虚拟网络时，确切式的虚拟网络划分方法的效率会不高。

发明内容

针对现有技术的缺陷，本发明提供一种跨域虚拟网络映射方法及系统，针对跨域虚拟网络映射的网络分割阶段，采用粒子群算法在较短时间内得到最优的划分方案来划分虚拟网络，且有利于加速虚拟网络映射。

第一方面，本发明提供了一种基于粒子群算法的跨域虚拟网络映射方法，所述方法包括：

当接收到虚拟网络创建请求时，虚拟网络提供商VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配；

若资源匹配成功，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络；

根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个基础设施提供商InP中。

优选地，所述接收到虚拟网络创建请求之前，所述方法还包括：

对VNP的关于底层物理网络的资源信息进行初始化，所述底层物理网络的资源信息包括域内物理节点信息、边界节点信息及边界链路信息。

优选地，所述域内物理节点信息包括节点类型、位置，单位容量的价格；所述边界节点信息包括所属InP；所述边界链路信息包括链路的端点及链路的价格。

优选地，所述根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络，包括：

初始化粒子群，包括初始化粒子的位置、速度、最优位置及种群最优位置；

根据粒子速度和位置的更新公式，更新粒子的位置和速度；

根据适应度函数计算更新后的粒子的适应度，针对各粒子,若更新后粒子的适应度大于更新前粒子的适应度，则将更新后粒子的位置赋予所述粒子的最优位置；若更新后粒子的适应度也大于种群最优位置的适应度，则将所述粒子更新后的位置赋予种群最优位置；

更新粒子的最优位置及种群最优位置，直至达到预设的迭代次数，将最终的种群最优位置作为最优虚拟网络划分方案。

优选地，所述适应度函数为：

$f:\frac{1}{{\mathrm{\Σ}}_{n_v\∈N_v,n_s\∈N_p}C(n_v,n_s)+{\mathrm{\Σ}}_{i,j\∈N_v,m,n\∈N_p}C(l_{\mathrm{ij}},p_{\mathrm{mn}})}$

其中，N_v是虚拟节点集合，N_p是边界节点集合，C(n_v,n_s)表示将虚拟节点n_v映射到边界节点n_s上的花费，C(l_ij,p_mn)表示将虚拟链路l_ij映射到路径p_mn上的花费。

优选地，所述粒子速度和位置的更新公式为：

v_id＝ωv_id+p₁(P_Best_id-x_id)+p₂(G_Best_d-x_id)

x_id＝x_id*v_id

其中，ω是惯性权重，p₁是个体的认知权重，p₂是全局权重，且ω+p₁+p₂＝1，x_id表示粒子i的第d个虚拟节点被映射到边界节点的编号，v_id表示粒子i的第d个虚拟节点的速度，P_Best_id表示粒子的最优位置，G_Best_d表示种群的最优位置。

第二方面，本发明提供了一种基于粒子群算法的跨域虚拟网络映射系统，所述系统包括：

匹配模块，用于当接收到虚拟网络创建请求时，虚拟网络提供商VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配；

划分模块，用于当资源匹配成功时，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络；

映射模块，用于根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个基础设施提供商InP中。

优选地，所述系统还包括：

初始化模块，用于对VNP的关于底层物理网络的资源信息进行初始化，所述底层物理网络的资源信息包括域内物理节点信息、边界节点信息及边界链路信息。

优选地，所述域内物理节点信息包括节点类型、位置，单位容量的价格；所述边界节点信息包括所属InP；所述边界链路信息包括链路的端点及链路的价格。

优选地，所述划分模块，具体用于：

初始化粒子群，包括初始化粒子的位置、速度、最优位置及种群最优位置；

根据粒子速度和位置的更新公式，更新粒子的位置和速度；

根据适应度函数计算更新后的粒子的适应度，针对各粒子,若更新后粒子的适应度大于更新前粒子的适应度，则将更新后粒子的位置赋予所述粒子的最优位置；若更新后粒子的适应度也大于种群最优位置的适应度，则将所述粒子更新后的位置赋予种群最优位置；

更新粒子的最优位置及种群最优位置，直至达到预设的迭代次数，将最终的种群最优位置作为最优虚拟网络划分方案。

由上述技术方案可知，本发明提供一种跨域虚拟网络映射方法及系统，针对跨域虚拟网络映射的网络分割阶段，采用粒子群算法来划分虚拟网络,能够在较短时间内得到最优的划分方案，有利于加速虚拟网络映射。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。

图1是本发明一实施例提供的基于粒子群算法的跨域虚拟网络映射方法的流程示意图；

图2是本发明另一实施例提供的基于粒子群算法的跨域虚拟网络映射部分方法的流程示意图；

图3是本发明一实施例提供的基于粒子群算法的跨域虚拟网络映射系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，图1示出了本发明一实施例提供的基于粒子群算法的跨域虚拟网络映射方法的流程图，该方法包括如下步骤：

101、当接收到虚拟网络创建请求时，虚拟网络提供商VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配。

102、若资源匹配成功，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络。

本实施例中，资源匹配成功指的是：VNP为虚拟网络中每一个虚拟节点都找到了候选物理节点。

而若资源匹配不成功，则判定虚拟网络映射失败。

103、根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个InP中。

本实施例中，在步骤101之前，该方法还包括如下步骤：

对VNP的关于底层物理网络的资源信息进行初始化，所述底层物理网络的资源信息包括域内物理节点信息、边界节点信息及边界链路信息。

其中，所述域内物理节点信息包括节点类型、位置，单位容量的价格；所述边界节点信息包括所属InP；所述边界链路信息包括链路的端点及链路的价格。

本实施例中，为了提高跨域虚拟网络映射效率，基于有限物理网络信息公开的模型，针对跨域虚拟网络映射的网络分割阶段，提出了一种基于粒子群算法的跨域虚拟网络分割算法(VN Partitioning basedon the Particle Swarm Optimization，简称VNP-PSO)来解决虚拟网络分割问题。

在粒子群算法中，有一群粒子，每个粒子都有自己的位置和速度，每个粒子的位置是一种潜在的虚拟网络分割方案。粒子的速度引导粒子飞向一个新的位置，每个粒子还保存自己到达过的最优位置。同样，裙子有一个最优位置，该位置是所有粒子中的最优位置。通过不断地更新自己的位置和速度，粒子在问题空间里飞行，在粒子的飞行过程中，产生一个接近最优的虚拟网络分割方案。

本实施例中，如图2所示，步骤102具体包括如下步骤：

201、初始化粒子群，包括初始化粒子的位置、速度、最优位置及种群最优位置。

其中，根据适应度函数计算所有粒子的适应度，并获得具有最大适应度的粒子，并将所述粒子的位置赋予种群最优位置。其中，粒子i的位置适应度函数为：

$f:\frac{1}{{\mathrm{\Σ}}_{n_v\∈N_v,n_s\∈N_p}C(n_v,n_s)+{\mathrm{\Σ}}_{i,j\∈N_v,m,n\∈N_p}C(l_{\mathrm{ij}},p_{\mathrm{mn}})}$

其中，N_v是虚拟节点集合，N_p是边界节点集合，C(n_v,n_s)表示将虚拟节点n_v映射到边界节点n_s上的花费，C(l_ij,p_mn)表示将虚拟链路l_ij映射到路径p_mn上的花费。由此看来，适应度函数f的分母是映射虚拟网络的节点花费和链路花费的总和，则粒子的映射花费越小，适应度越大，反之，适应度越小。

202、根据粒子速度和位置的更新公式，更新粒子的位置和速度。

其中，粒子速度和位置的更新公式为：

v_id＝ωv_id+p₁(P_Best_id-x_id)+p₂(G_Best_d-x_id)

x_id＝x_id*v_id

其中，ω是惯性权重，p₁是个体的认知权重，p₂是全局权重，且ω+p₁+p₂＝1，x_id表示粒子i的第d个虚拟节点被映射到边界节点的编号，v_id表示粒子i的第d个虚拟节点的速度，P_Best_id表示粒子的最优位置，G_Best_d表示种群的最优位置。

203、计算更新后粒子的适应度，并更新粒子的最优位置和种群最优位置。

本步骤中，根据适应度函数计算更新后的粒子的适应度，针对各粒子,若更新后粒子的适应度大于更新前粒子的适应度，则将更新后粒子的位置赋予所述粒子的最优位置；且，若更新后粒子的适应度也大于种群最优位置的适应度，则将所述粒子更新后的位置赋予种群最优位置。

204、判断是否达到预设的迭代次数，若是，则转至步骤205，否则转至步骤202。

205、将最终的种群最优位置作为最优虚拟网络划分方案输出。

本实施例提供基于粒子群算法的跨域虚拟网络映射方法，针对跨域虚拟网络映射的网络分割阶段，采用粒子群算法来划分虚拟网络,能够在较短时间内得到最优的划分方案，有利于加速虚拟网络映射。

当映射较大规模的虚拟网络时，本实施例提供的方法能够在较短的时间内得到近似最优的划分方案，有利于加速虚拟网络的映射；且本实施例是基于有线信息公开的物理网络模型，能够保护运营商机密信息，同时满足用户多样化需求。

如图3所示，图3示出了本发明一实施例提供的基于粒子群算法的跨域虚拟网络映射系统的结构示意图，该系统包括匹配模块301、划分模块302及映射模块303。

其中，匹配模块301，用于当接收到虚拟网络创建请求时，VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配。

划分模块302，用于当资源匹配成功时，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络。

映射模块303，用于根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个InP中。

可选地，所述系统还包括：初始化模块，用于对VNP的关于底层物理网络的资源信息进行初始化，所述底层物理网络的资源信息包括域内物理节点信息、边界节点信息及边界链路信息。

其中，所述域内物理节点信息包括节点类型、位置，单位容量的价格；所述边界节点信息包括所属InP；所述边界链路信息包括链路的端点及链路的价格。

可选地，所述划分模块，具体用于：

初始化粒子群，包括初始化粒子的位置、速度、最优位置及种群最优位置；

根据粒子速度和位置的更新公式，更新粒子的位置和速度；

根据适应度函数计算更新后的粒子的适应度，针对各粒子,若更新后粒子的适应度大于更新前粒子的适应度，则将更新后粒子的位置赋予所述粒子的最优位置；若更新后粒子的适应度也大于种群最优位置的适应度，则将所述粒子更新后的位置赋予种群最优位置；

更新粒子的最优位置及种群最优位置，直至达到预设的迭代次数，将最终的种群最优位置作为最优虚拟网络划分方案。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于粒子群算法的跨域虚拟网络映射方法，其特征在于，所述方法包括：

当接收到虚拟网络创建请求时，虚拟网络提供商VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配；

若资源匹配成功，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络；

根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个基础设施提供商InP中。

2.根据权利要求1所述的方法，其特征在于，所述接收到虚拟网络创建请求之前，所述方法还包括：

对VNP的关于底层物理网络的资源信息进行初始化，所述底层物理网络的资源信息包括域内物理节点信息、边界节点信息及边界链路信息。

3.根据权利要求2所述的方法，其特征在于，所述域内物理节点信息包括节点类型、位置，单位容量的价格；所述边界节点信息包括所属InP；所述边界链路信息包括链路的端点及链路的价格。

4.根据权利要求1所述的方法，其特征在于，所述根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络，包括：

初始化粒子群，包括初始化粒子的位置、速度、最优位置及种群最优位置；

根据粒子速度和位置的更新公式，更新粒子的位置和速度；

根据适应度函数计算更新后的粒子的适应度，针对各粒子，若更新后粒子的适应度大于更新前粒子的适应度，则将更新后粒子的位置赋予所述粒子的最优位置；若更新后粒子的适应度也大于种群最优位置的适应度，则将所述粒子更新后的位置赋予种群最优位置；

更新粒子的最优位置及种群最优位置，直至达到预设的迭代次数，将最终的种群最优位置作为最优虚拟网络划分方案。

5.根据权利要求4所述的方法，其特征在于，所述适应度函数为：

$f:\frac{1}{{\mathrm{\Σ}}_{n_v\∈N_v,n_s\∈N_p}C(n_v,n_s)+{\mathrm{\Σ}}_{i,j\∈N_v,m,n\∈N_p}C(l_{\mathrm{ij}},p_{\mathrm{mn}})}$

其中，N_v是虚拟节点集合，N_p是边界节点集合，C(n_v,n_s)表示将虚拟节点n_v映射到边界节点n_s上的花费，C(l_ij,p_mn)表示将虚拟链路l_ij映射到路径p_mn上的花费。

6.根据权利要求4所述的方法，其特征在于，所述粒子速度和位置的更新公式为：

v_id＝ωv_id+p₁(P_Best_id-x_id)+p₂(G_Best_d-x_id)

x_id＝x_id*v_id

其中，ω是惯性权重，p₁是个体的认知权重，p₂是全局权重，且ω+p₁+p₂＝1，x_id表示粒子i的第d个虚拟节点被映射到边界节点的编号，v_id表示粒子i的第d个虚拟节点的速度，P_Best_id表示粒子的最优位置，G_Best_d表示种群的最优位置。

7.一种基于粒子群算法的跨域虚拟网络映射系统，其特征在于，所述系统包括：

匹配模块，用于当接收到虚拟网络创建请求时，虚拟网络提供商VNP根据底层物理网络的资源信息，为所述虚拟网络的虚拟节点进行资源匹配；

划分模块，用于当资源匹配成功时，则根据粒子群算法得到的最优的虚拟网络划分方案划分所述虚拟网络；

映射模块，用于根据所述虚拟网络的划分结果，将所述虚拟网络映射到若干个基础设施提供商InP中。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

初始化模块，用于对VNP的关于底层物理网络的资源信息进行初始化，所述底层物理网络的资源信息包括域内物理节点信息、边界节点信息及边界链路信息。

9.根据权利要求8所述的系统，其特征在于，所述域内物理节点信息包括节点类型、位置，单位容量的价格；所述边界节点信息包括所属InP；所述边界链路信息包括链路的端点及链路的价格。

10.根据权利要求7所述的系统，其特征在于，所述划分模块，具体用于：

初始化粒子群，包括初始化粒子的位置、速度、最优位置及种群最优位置；

根据粒子速度和位置的更新公式，更新粒子的位置和速度；

根据适应度函数计算更新后的粒子的适应度，针对各粒子,若更新后粒子的适应度大于更新前粒子的适应度，则将更新后粒子的位置赋予所述粒子的最优位置；若更新后粒子的适应度也大于种群最优位置的适应度，则将所述粒子更新后的位置赋予种群最优位置；

更新粒子的最优位置及种群最优位置，直至达到预设的迭代次数，将最终的种群最优位置作为最优虚拟网络划分方案。