CN108174394A - 一种5g网络切片的编排算法 - Google Patents

Abstract

本发明公开了一种5G网络切片的编排算法，与现有技术相比，本发明通过对当前主要应用场景的分析和对网络切片的算法研究,提出基于GA‑PSO优化的网络切片编排算法,该算法的特点是：借鉴GA算法中杂交和变异的思想,对传统的PSO算法进行了改进,将PSO的群智能特点应用于网络子图的优化问题,使得算法的全局搜索性能得到了实质的提高,充分发挥了SDN网络架构的集中控制优越性.实验数据表明,该算法对于大规模网络的高负载流量的优化有着良好的效果。

Description

一种5G网络切片的编排算法

技术领域

本发明涉及网络技术领域，尤其涉及一种5G网络切片的编排算法。

背景技术

5G时代要求未来移动通信网络具有对各种业务场景进行按需组网和灵活部署的能力，随着用户终端数量的增加、流量规模的增长和用户需求的多样化,当前核心网的网络架构逐渐变得难以处理越来越多样化的服务要求.在5G时代互联网服务对象和应用场景变得多样化,为每一个服务建设一个专用的物理网络, 这既不现实也不高效,而网络切片(network slicings,NS)技术即通过在一个独立的物理网络上切分出多个逻辑的网络，为实现网络的灵活适应部署多种业务场景提供了一个全新的解决方案。网络切片的先决条件是可以虚拟化各种不同的网络元素和软件定义网络(software defined networking,SDN)的集中控制, 随着网络功能虚拟化(network function virtualization,NFV)技术的成熟, 实现了软硬件解耦、共享基础设施资源和按需调度,同时将数据平面与控制平面解耦合,简化了网络管理,灵活了路由的配置,因此在NFV和SDN的网络架构下, 对网络切片的编排和部署变得可行。

一个网络切片是5G网络中一个端到端的虚拟网络,是一组逻辑网络功能的集合.网络切片主要控制和操作服务层(service layer)和基础设施层 (infrastructurelayer)。服务层描述系统的逻辑结构,包括网络的功能模块, 以及不同功能模块之间的连接方式,提供网络切片的定义、操作和部署方式的模板。基础设施层从物理层面描述维持一个网络切片运行所需要的网络元素和资源,包括计算资源和网络资源。

在基于网络切片划分的路由模型中切片划分的优劣直接决定了网络的负载情况和资源利用率,因此切片的成功对基于NFV/SDN的网络切片架构系统来说至关重要.另外,现有的切片划分算法一般是采用贪心策略,即对网络中的多有需求逐个进行资源的划分和路由的选择,缺少全局优化,这样做也是因为网络本身是分布式的，控制层面分散，难以掌握全局信息,并且当网络负载非常大的时候,逐个划分的时间复杂度太大,很难满足实时性需求。本方案提出的算法将针对网络切片中的全局优化做出研究。

针对以上问题提出来在NFV/SDN架构下,基于GA-PSO的网络切片算法.具体地,我们将网络的优化转化为对网络切片的编排,通过对用户流量的统计分析, 知道整网的流量分布特征,预先构造好基本切片,然后再对实时的流量分析负载和需求,构造切片并将构造的结果通过OpenFlow协议流表的形式部署在交换节点上.

发明内容

本发明的目的就在于为了解决上述问题而提供一种5G网络切片的编排算法。

本发明通过以下技术方案来实现上述目的：

本发明包括PSO算法和GA-PSO算法；

PSO算法：

粒子群优化(Particle Swarm Optimization,PSO),是由J；Kennedy和 R；C；Eberhart等于1995年开发的一种群智能算法；在PSO算法中每个优化问题的解都是搜索空间的一只鸟,被抽象为没有质量和体积的粒子,粒子的位置代表被优化空间在搜索空间中的潜在解,所有粒子都有一个评价函数决定的适应值；每个粒子根据自身和周围粒子的经验在搜索空间中调整自己的位置和速度；基础的PSO算法定义了两个非常重要的参数：

1)某一代种群中,粒子适应度最高的称为pbest；

2)所有种群的粒子至今为止发现的全局最优解称为gbest；

并且将其所找到的位置保存下来；用于引导和更新粒子的位置和速度；在 (t+1)时刻位置x_ij(t+1)和速度v_ij(t+1)更新方程如下：

v_ij(t+1)＝ω·v_ij(t)+c₁r₁[p_ij-x_ij(t)]+c₂r₂[g_ij-x_ij(t)] (1)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (2)

其中ij表示空间中进行搜索的变量，在w为惯性权重(取值0.729),c₁和 c₂为正的学习因子(均为.05),r₁和r₂为0到1之间均匀分布的随机数；

GA-PSO算法

算法的基本思想

粒子群算法最初被用于函数优化方面,而5G中网络切片的划分问题本身是为所有用户的流量需求计算出一个合理的路由方案,属于网络路由问题,因此需要重新设计评价函数和粒子更新算法；针对上面问题,本文借鉴GA(genetic algorithm,遗传算法)中的杂交和变异的思想,将杂交和变异的思想应用于切片优化,在模型中一个网络切片本身作为一个子图即代表一个可行解,因此遗传算法种群的进化和粒子的迁徙就转化为子图杂交的过程；

算法的基本思想是根据3GPP提出的三种5G主要应用场景抽象出两类原始粒子,再由这两类原始基本粒子进一步初始化得到一定数量的基本粒子,形成初始的种群。每个粒子代表一个拓扑子图,评价每个粒子的适应度,存储当前个体最优的粒子和全局最优粒子,按照杂交和变异的思想对子图进行更新优化,产生新的拓扑子图。利用粒子群算法追随当前最优粒子在解空间中搜索,即通过迭代找到最优子图作为最终的路由方案；

基本粒子初始化根据3GPP提出的三种5G主要应用场景,我们给出如下定义：

定义1：QoS流量类：有相同或相近QoS需求的用户流量集合；设用户x的流量(flow)用f_x表示,则流量类集合F＝{f₁,f₂,f₃,...,f_n}为一QoS流量类型,其中:

1)每个流量f_i的时延(delay)要求D∈[d_l,d_h],其中d_l和d_h是根据3GPP提出的三种主要应用场景在时延需求方面的分类阈值,理想时延1ms，端到端时延 5-10ms；

2)每个流量f_i的带宽要求B∈[b_l,b_h],其中b_l和b_h是根据3GPP提出的三种主要应用场景在带宽需求方面的分类阈值，理想用户体验速率100Mbps；

定义2：点到点流量矩阵：流量矩阵表示网络中源目的 (Original-Destination,OD)节点之间每个流的分布情况,流量矩阵的维数等于网络中所有OD流的数目,它从全局的观点来描述整个网络的数据流动情况,是网络决策的重要依据；点到点流量矩阵(Point-to-Point Traffic Matrix)表示源节点(O)和目的节点(D)之间的流量V(O,D),它表示网络中所有OD节点对间的流量,描述了网络流量在各个OD节点对间的分布情况；

定义3：低时延网络切片：能够为某个特定的QoS流量类提供最小时延保障的一个虚拟逻辑网络,由一系列网络功能、运行这些网络功能的资源以及这些网络功能特定的配置所组成；

定义4：高带宽网络切片：能够为某个特定的QoS流量类提供最小带宽保障的一个虚拟逻辑网络；

依上述定义,我们根据QoS流量需求使用最短路径算法,生成两个基类NS: 低时延类切片、高带宽类切片,组成杂交池,按照遗传算法描述的切片杂交和变异的方法两两随机杂交,产生N个基本粒子,构成初始化种群；一个子图粒子G 是一个N*N的邻接矩阵,代表一个潜在的解,即一个可选的路由方案,也就是一个潜在的网络切片,其中N为网络拓扑中的节点的个数；

基本粒子适应度评价函数IMT-20205G推进组在《5G白皮书》中将未来移动互联网和物联网的主要应用场景分为连续广域覆盖、热点大容量、低功耗大连接和低时延高可靠,各场景需要的关键能力指标:

1)高带宽的体验速率

2)超高的流量密度

3)超高的连接密度

4)低时延高可靠

综合这四种关键能力指标,本发明选用时延(Delay)、带宽(Bandwidth) 两个参数来刻画未来5G应用场景的性能指标；

网络切片的性能由不同的性能参数表征，但不同的参数具有不同的取值范围和单位,因此无法进行量化比较与分析,本文采用0均值归一化方法将不同的传输参数归一化(normalization),归一化公式为:

其中,

v^nor：性能参数归一化值

v：性能参数，即带宽或者时延

μ：性能参数的均值

σ：性能参数的方差

我们评价一个粒子的适应度是根据它所代表切片的传输参数做出的,也就是说粒子的适应度即网络切片的适应度；基于上述性能参数归一化,使得对NS的量化分析变得可行,同时考虑到5G应用场景的分类和传输参数的选择,以及对微小变化的反映,本发明以指数函数为基础设计的粒子适应度评价函数如下:

Fitness(α,β,D,B)＝-αe^D+βe^B (4)

其中,

D：为归一化后的一个子图中延迟最大的路径延迟值

B：为归一化后的一个子图中链路的最小带宽

α：为低时延需求类切片占所有切片的比例

β：为高带宽需求类切片占所有切片的比例

基本粒子更新标准PSO算法中的粒子通过公式(1)(2)跟踪粒子本身所找到的最优解和整个种群目前找到的最优解更新自己；本文中,我们根据网络切片的实际问题特点对传统的方法进行改进,借鉴GA中的杂交和变异的思想,将杂交和变异的思想应用于子图优化；

1)子图杂交(切片杂交)

将当前的粒子所代表的子图依次与局部最优子图和全局最优子图杂交,然后对杂交后的子图进行优化；杂交步骤如下：

Step1：找出当前粒子与局部最优子图、全局最优子图相同的节点；

Step2：如果当前粒子与局部最优子图相同节点数小于4个并且与全局最优子图相同节点数也小于4个,则进入2)子图变异；

Step3：如果当前粒子与局部最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性,否则进入 Step4；

Step4：如果当前粒子与全局最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性；

Step5：删除所有既不是源节点也不是目标节点的叶子节点；

Step6：输出这个杂交后的新子图；

2)子图变异

根据变异概率,随机选择一个不在切片路由内的一个点,就近接入路由内；变异本身是一种局部随机搜索,与杂交算子结合在一起,保证了种群更新的有效性, 增强了粒子群的局部随机搜索能力；同时使得粒子群能够保持多样性,防止局部过早收敛；因为设置的变异概率P_m非常小,所以可以避免算法退化为随机搜索；变异步骤如下：

Step1：初始化一个随机值；

Step2：比较这个值与变异概率P_m的大小,如果大于P_m,则进入Step3；否则, 转入Step4；

Step3：随机选择不在路由路径中的一个点,选择适应度最高的两条路接入子图；

Step4：输出切片；

整体算法实施步骤：本发明基于GA-PSO优化的网络切片编排算法具体步骤如下：

Step1：归一化表征网络切片性能的传输参数,归一化方法按照公式(3)；

Step2：使用最短路径算法生成两个个基类网络切片:低时延类切片和高带宽类切片,组成杂交池,池内切片按照前述的子图杂交算法随机两两杂交,初始化 2n个粒子,每个粒子即为一个NS,代表一个拓扑子图G；

Step3：每类切片,选择合适的参数,按照Fitness(α,β,D,B)计算种群粒子的适应度,并进行排序,选择适应度最高的N个粒子组成初始化种群；

Step4：记录当前Step3适应度最高的切片,为局部最优粒子G_pb,同时也是全局最优粒子G_gb；

Step5：设置迭代次数m和描述最优解稳定性的最优解控制阈值threshold；

Step6：按照子图杂交和子图变异算法,根据局部最优NS和全局最优NS,采用杂交、变异的方式更新粒子群中的所有粒子；

Step7：按照Fitness(α,β,D,B)计算种群粒子的适应度,更新局部最优粒子G_pb, 如果当前的局部最优粒子G_pb的适应值高于当前的全局最优粒子G_g,b,则更新全局最优粒子；否则最优解控制计数器加1；

Step8：检查迭代终止条件,如果迭代次数达到m次或者最优解控制计数器的值大于最优解控制阈值threshold,则进入Step9,否则进入返回Step6；

Step9：输出最优子图G_gb。

本发明的有益效果在于：

本发明是一种5G网络切片的编排算法，与现有技术相比，本发明通过对当前主要应用场景的分析和对网络切片的算法研究,提出基于GA-PSO优化的网络切片编排算法,该算法的特点是：借鉴GA算法中杂交和变异的思想,对传统的PSO 算法进行了改进,将PSO的群智能特点应用于网络子图的优化问题,使得算法的全局搜索性能得到了实质的提高,充分发挥了SDN网络架构的集中控制优越性. 实验数据表明,该算法对于大规模网络的高负载流量的优化有着良好的效果。

附图说明

图1是本发明的方法流程图；

图2是本发明的实验环境拓扑图示意图；

图3是本发明不同的网络规模下三种算法的时间复杂度曲线图；

图4是本发明不同的网络规模下三种算法的能耗图表；

图5是本发明不同网络负载下三种算法的能耗图表；

图6是本发明不同网络负载下三种算法的网络资源利用率图表。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明包括PSO算法和GA-PSO算法；

PSO算法：

粒子群优化(Particle Swarm Optimization,PSO),是由J；Kennedy和 R；C；Eberhart等于1995年开发的一种群智能算法；在PSO算法中每个优化问题的解都是搜索空间的一只鸟,被抽象为没有质量和体积的粒子,粒子的位置代表被优化空间在搜索空间中的潜在解,所有粒子都有一个评价函数决定的适应值；每个粒子根据自身和周围粒子的经验在搜索空间中调整自己的位置和速度；基础的PSO算法定义了两个非常重要的参数：

1)某一代种群中,粒子适应度最高的称为pbest；

2)所有种群的粒子至今为止发现的全局最优解称为gbest；

并且将其所找到的位置保存下来；用于引导和更新粒子的位置和速度；在 (t+1)时刻位置x_ij(t+1)和速度v_ij(t+1)更新方程如下：

v_ij(t+1)＝ω·v_ij(t)+c₁r₁[p_ij-x_ij(t)]+c₂r₂[g_ij-x_ij(t)] (1)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (2)

其中ij表示空间中进行搜索的变量，在w为惯性权重(取值0.729),c₁和 c₂为正的学习因子(均为2.05),r₁和r₂为0到1之间均匀分布的随机数；

GA-PSO算法基本思想：

粒子群算法最初被用于函数优化方面,而5G中网络切片的划分问题本身是为所有用户的流量需求计算出一个合理的路由方案,属于网络路由问题,因此需要重新设计评价函数和粒子更新算法；针对上面问题,本文借鉴GA(genetic algorithm,遗传算法)中的杂交和变异的思想,将杂交和变异的思想应用于切片优化,在模型中一个网络切片本身作为一个子图即代表一个可行解,因此遗传算法种群的进化和粒子的迁徙就转化为子图杂交的过程；

算法的基本思想是根据3GPP提出的三种5G主要应用场景抽象出两类原始粒子,再由这两类原始基本粒子进一步初始化得到一定数量的基本粒子,形成初始的种群。每个粒子代表一个拓扑子图,评价每个粒子的适应度,存储当前个体最优的粒子和全局最优粒子,按照杂交和变异的思想对子图进行更新优化,产生新的拓扑子图。利用粒子群算法追随当前最优粒子在解空间中搜索,即通过迭代找到最优子图作为最终的路由方案；

基本粒子初始化根据3GPP提出的三种5G主要应用场景,我们给出如下定义：

定义1：QoS流量类：有相同或相近QoS需求的用户流量集合；设用户x的流量(flow)用f_x表示,则流量类集合F＝{f₁,f₂,f₃,...,f_n}为一QoS流量类型,其中:

1)每个流量f_i的时延(delay)要求D∈[d_l,d_h],其中d_l和d_h是根据3GPP提出的三种主要应用场景在时延需求方面的分类阈值,理想时延1ms，端到端时延 5-10ms；

2)每个流量f_i的带宽要求B∈[b_l,b_h],其中b_l和b_h是根据3GPP提出的三种主要应用场景在带宽需求方面的分类阈值，理想用户体验速率100Mbps；

定义2：点到点流量矩阵：流量矩阵表示网络中源目的 (Original-Destination,OD)节点之间每个流的分布情况,流量矩阵的维数等于网络中所有OD流的数目,它从全局的观点来描述整个网络的数据流动情况,是网络决策的重要依据；点到点流量矩阵(Point-to-Point Traffic Matrix)表示源节点(O)和目的节点(D)之间的流量V(O,D),它表示网络中所有OD节点对间的流量,描述了网络流量在各个OD节点对间的分布情况；

定义3：低时延网络切片：能够为某个特定的QoS流量类提供最小时延保障的一个虚拟逻辑网络,由一系列网络功能、运行这些网络功能的资源以及这些网络功能特定的配置所组成；

定义4：高带宽网络切片：能够为某个特定的QoS流量类提供最小带宽保障的一个虚拟逻辑网络；

依上述定义,我们根据QoS流量需求使用最短路径算法,生成两个基类NS: 低时延类切片、高带宽类切片,组成杂交池,按照遗传算法描述的切片杂交和变异的方法两两随机杂交,产生N个基本粒子,构成初始化种群；一个子图粒子G 是一个N*N的邻接矩阵,代表一个潜在的解,即一个可选的路由方案,也就是一个潜在的网络切片,其中N为网络拓扑中的节点的个数；

基本粒子适应度评价函数IMT-20205G推进组在《5G白皮书》中将未来移动互联网和物联网的主要应用场景分为连续广域覆盖、热点大容量、低功耗大连接和低时延高可靠,各场景需要的关键能力指标:

1)高带宽的体验速率

2)超高的流量密度

3)超高的连接密度

4)低时延高可靠

综合这四种关键能力指标,本文选用时延(Delay)、带宽(Bandwidth)两个参数来刻画未来5G应用场景的性能指标；

网络切片的性能由不同的性能参数表征，但不同的参数具有不同的取值范围和单位,因此无法进行量化比较与分析,本文采用0均值归一化方法将不同的传输参数归一化(normalization),归一化公式为:

其中,

v^nor：性能参数归一化值

v：性能参数，即时延和带宽

μ：性能参数的均值

σ：性能参数的方差

我们评价一个粒子的适应度是根据它所代表切片的传输参数做出的,也就是说粒子的适应度即网络切片的适应度；基于上述性能参数归一化,使得对NS的量化分析变得可行,同时考虑到5G应用场景的分类和传输参数的选择,以及对微小变化的反映,本文以指数函数为基础设计的粒子适应度评价函数如下:

Fitness(α,β,D,B)＝-αe^D+βe^B (4)

其中,

D：为归一化后的一个子图中延迟最大的路径延迟值

B：为归一化后的一个子图中链路的最小带宽

α：为低时延需求类切片占所有切片的比例

β：为高带宽需求类切片占所有切片的比例

基本粒子更新标准PSO算法中的粒子通过公式(1)(2)跟踪粒子本身所找到的最优解和整个种群目前找到的最优解更新自己；本文中,我们根据网络切片的实际问题特点对传统的方法进行改进,借鉴GA中的杂交和变异的思想,将杂交和变异的思想应用于子图优化；

1)子图杂交(切片杂交)

将当前的粒子所代表的子图依次与局部最优子图和全局最优子图杂交,然后对杂交后的子图进行优化；杂交步骤如下：

Step1：找出当前粒子与局部最优子图、全局最优子图相同的节点；

Step2：如果当前粒子与局部最优子图相同节点数小于4个并且与全局最优子图相同节点数也小于4个,则进入2)子图变异；

Step3：如果当前粒子与局部最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性,否则进入 Step4；

Step4：如果当前粒子与全局最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性；

Step5：删除所有既不是源节点也不是目标节点的叶子节点；

Step6：输出这个杂交后的新子图；

2)子图变异

根据变异概率,随机选择一个不在切片路由内的一个点,就近接入路由内；变异本身是一种局部随机搜索,与杂交算子结合在一起,保证了种群更新的有效性, 增强了粒子群的局部随机搜索能力；同时使得粒子群能够保持多样性,防止局部过早收敛；因为设置的变异概率P_m非常小,所以可以避免算法退化为随机搜索；变异步骤如下：

Step1：初始化一个随机值；

Step2：比较这个值与变异概率P_m的大小,如果大于P_m,则进入Step3；否则, 转入Step4；

Step3：随机选择不在路由路径中的一个点,选择适应度最高的两条路接入子图；

Step4：输出切片；

整体算法实施步骤：本发明基于GA-PSO优化的网络切片编排算法具体步骤如下：

Step1：归一化表征网络切片性能的传输参数,归一化方法按照公式(3)；

Step2：使用最短路径算法生成两个个基类网络切片:低时延类切片和高带宽类切片,组成杂交池,池内切片按照子图杂交算法随机两两杂交,初始化2N个粒子,每个粒子即为一个NS,代表一个拓扑子图G；

Step3：每类切片,选择合适的参数,按照Fitness(α,β,D,B)计算种群粒子的适应度,并进行排序,选择适应度最高的n个粒子组成初始化种群；

Step4：记录当前Step3适应度最高的切片,为局部最优粒子G_pb,同时也是全局最优粒子G_gb；

Step5：设置迭代次数m和描述最优解稳定性的最优解控制阈值threshold；

Step6：按照子图杂交和子图变异的算法,根据局部最优NS和全局最优NS, 采用杂交、变异的方式更新粒子群中的所有粒子；

Step7：按照Fitness(α,β,D,B)计算种群粒子的适应度,更新局部最优粒子G_pb, 如果当前的局部最优粒子G_pb的适应值高于当前的全局最优粒子G_g,b,则更新全局最优粒子；否则最优解控制计数器加1；

Step8：检查迭代终止条件,如果迭代次数达到m次或者最优解控制计数器的值大于最优解控制阈值threshold,则进入Step9,否则进入返回Step6；

Step9：输出最优子图G_gb。(如图1所示)

实验：

实验环境

为了验证本文所提出的基于GA-PSO优化的网络切片编排算法的性能,设计了实验环境,网络拓扑结构示意图如图2所示.网络环境中源(Original)节点 O1、O2、…、On为接纳用户流量的节点,负责接纳用户的流量,D1、D2、…、Dn 为目的(Destination)节点；s1、s2、s3、…、sm为运行OpenFlow协议的交换机；Controller为整个SDN网络的控制器.输入的数据是整个网络拓扑图G，并假定已经有各节点间的流量参数建立的流量矩阵。本文通过在相同环境下实现基于网络切片的本文GA-PSO和贪心策略算法以及不使用网络切片的OSPF算法，它是选择优先级较高路径进行转发传统IP网络算法；并且比较不同网络规模下,网络路由生成所用时间,并将每种算法的路由策略部署于实验网络,根据源节点接入业务流量的不同,测量不同负载时整个网络的资源利用率,以验证本文的算法的稳定性和高效性。

实验设计与结果分析

本发明用的两种对比方法：方法一：OSPF算法,传统网络不使用网络切片, 按最短路径转发,不考虑负载均衡；方法二：在SDN的网络切片体系架构下,先对所有的QoS切片的构造采用贪心策略进行QoS需求的排序,再针对每个需求逐个使用GA-PSO方法选择路由.

首先，我们保持流量需求不变，通过增加网络的节点来比较三种算法在生成路由策略所用时间和部署路由之后的网络能耗；最后,我们使用相同的网络拓扑, 通过不断增加各类流量需求，来对比三种算法在能耗和资源利用率方面的优劣.

不同的网络规模的影响在流量需求数目相同的情况(本文取流量数目为 30)下,我们比较不同的网络规模下,三种方法的性能.

在未来5G网络中,无论是热点大容量还是低时延高可靠的业务场景,对于大量新到来的流量需求,控制器必须尽可能快地部署路由策略,否则会严重影响服务质量,因此算法的时间复杂度是一个非常重要的指标,它标志着算法在实际部署环境下能否达到预期效果.从图3我们可以看出OSPF算法在所有的网络规模下时间复杂度都是最低.采用贪婪策略的算法在网络规模较小时,与GA-PSO时间复杂度相近甚至优于GA-PSO,但随着网络规模所用时间也迅速增加,性能恶化, 这主要优由于采用贪婪策略的算法,对到来的流量先进行排序操作,在逐个求解, 这大量重复了路由的计算和选择,浪费大量时间.GA-PSO算法虽然在网络规模较小所用时间并不是特别少,但随着网络规模的增大其所用时间增长缓慢,具有良好的针对不同规模网络的耗时稳定性,明显优于基于贪心策略的排队算法。

随着未来移动互联网和物联网的发展,大量网络设备接入网络,节能问题成为不可回避的重要问题.因此,我们对比三种算法在不同网络规模下的能耗,进一步证明本文算法的有效性和实用性.能耗计算公式如下：

n表示路由的跳数，μ_i表示第i条路的负载利用率，W₀表示链路平均能耗。

从图4可以看出,随着网络规模的扩大,能耗都在持续增加.传统的OSPF算法, 随着网络规模的扩大,能耗急剧上升.同时,基于贪婪策略的排序优化算法,能耗虽然也在持续升高但明显低于OSPF算法,但又比GA-PSO算法的能耗高很多,这主要因为基于贪心策略的排序优化算法缺少全局的考虑,只是局部选择最优路径,因此无法从整体上优化网络的能耗.GA-PSO利用粒子的不断变迁,通过群智能从整体上优化网络路由,从而降低网络能耗,从图4可以看出,网络规模越大,GA-PSO算法较另外两种算法的能耗优势越明显,同时随着网络规模的增大,GA-PSO算法的网络能耗增长缓慢,表现出对良好的均衡能力,能耗具有稳定性.虽然从图2上看，在网络规模为350时，GA-PSO的耗时比OSPF多14％左右，但却比传统OSPF节能32％左右.不同网络需求的影响为了进一步评价算法性能, 我们在200个网络节点的前提下,考虑不同网络负载时的能耗和链路平均利用率.

从图5我们可以看出,随着网络负载的增加,OSPF算法的能耗在持续增加, 并且能耗明显高于另外两种算法.基于贪婪策略的算法,虽然能耗也在增加,但增长速度较OSPF明显放缓.GA-PSO算法在负载不大时,并不明显优于基于贪婪策略的算法,但负载越高,GA-PSO的优势越明显,这主要还是由于基于贪婪策略的算法缺少整体观,在负载较小时缺点不明显,但一旦负载变大,则将十分严重的影响整个网络的能耗.

从图6可以看出,本文算法使得链路平均利用率保持在70％左右,并且随着负载的增加链路平均利用率波动不大,说明有较好的负载均衡效果和稳定性.OSPF 算法尽量选择最短路径,会使得个别路径负载过高,链路平均利用率偏低.基于贪婪策略的算法,比传统OSPF有了显著提高,但在全局负载均衡方面仍然逊色于 GA-PSO算法.

结论

通过对当前主要应用场景的分析和对网络切片的算法研究,提出基于 GA-PSO优化的网络切片编排算法,该算法的特点是：借鉴GA算法中杂交和变异的思想,对传统的PSO算法进行了改进,将PSO的群智能特点应用于网络子图的优化问题,使得算法的全局搜索性能得到了实质的提高,充分发挥了SDN网络架构的集中控制优越性.实验数据表明,该算法对于大规模网络的高负载流量的优化有着良好的效果.

以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种5G网络切片的编排算法，其特征在于：包括PSO算法和GA-PSO算法；

PSO算法：

1)某一代种群中,粒子适应度最高的称为pbest；

2)所有种群的粒子至今为止发现的全局最优解称为gbest；

并且将其所找到的位置保存下来；用于引导和更新粒子的位置和速度；在(t+1)时刻位置x_ij(t+1)和速度v_ij(t+1)更新方程如下：

v_ij(t+1)＝ω·v_ij(t)+c₁r₁[p_ij-x_ij(t)]+c₂r₂[g_ij-x_ij(t)] (1)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (2)

其中ij表示空间中进行搜索的变量，在w为惯性权重(取值0.729),c₁和c₂为正的学习因子(均为2.05),r₁和r₂为0到1之间均匀分布的随机数；

GA-PSO算法：利用粒子群算法追随当前最优粒子在解空间中搜索,即通过迭代找到最优子图作为最终的路由方案；

基本粒子初始化：根据3GPP提出的三种5G主要应用场景,给出如下定义：

定义1：QoS流量类：有相同或相近QoS需求的用户流量集合；设用户x的流量(flow)用f_x表示,则流量类集合F＝{f₁,f₂,f₃,...,f_n}为一QoS流量类型,其中:

1)每个流量f_i的时延(delay)要求D∈[d_l,d_h],其中d_l和d_h是根据3GPP提出的三种主要应用场景在时延需求方面的分类阈值,理想时延1ms，端到端时延5-10ms；

2)每个流量f_i的带宽要求B∈[b_l,b_h],其中b_l和b_h是根据3GPP提出的三种主要应用场景在带宽需求方面的分类阈值，理想用户体验速率100Mbps；

定义2：点到点流量矩阵：流量矩阵表示网络中源目的(Original-Destination,OD)节点之间每个流的分布情况,流量矩阵的维数等于网络中所有OD流的数目,它从全局的观点来描述整个网络的数据流动情况,是网络决策的重要依据；点到点流量矩阵(Point-to-Point Traffic Matrix)表示源节点(O)和目的节点(D)之间的流量V(O,D),它表示网络中所有OD节点对间的流量,描述了网络流量在各个OD节点对间的分布情况；

定义3：低时延网络切片：能够为某个特定的QoS流量类提供最小时延保障的一个虚拟逻辑网络,由一系列网络功能、运行这些网络功能的资源以及这些网络功能特定的配置所组成；

定义4：高带宽网络切片：能够为某个特定的QoS流量类提供最小带宽保障的一个虚拟逻辑网络；

依上述定义,根据QoS流量需求使用最短路径算法,生成两个基类NS:低时延类切片、高带宽类切片,组成杂交池,按照遗传算法描述的切片杂交和变异的方法两两随机杂交,产生N个基本粒子,构成初始化种群；一个子图粒子G是一个N*N的邻接矩阵,代表一个潜在的解,即一个可选的路由方案,也就是一个潜在的网络切片,其中N为网络拓扑中的节点的个数；

基本粒子适应度评价函数：IMT-20205G推进组将未来移动互联网和物联网的主要应用场景分为连续广域覆盖、热点大容量、低功耗大连接和低时延高可靠,各场景需要的关键能力指标:

1)高带宽的体验速率

2)超高的流量密度

3)超高的连接密度

4)低时延高可靠

综合这四种关键能力指标,本文选用时延(Delay)、带宽(Bandwidth)两个参数来刻画未来5G应用场景的性能指标；

网络切片的性能由不同的性能参数表征，但不同的参数具有不同的取值范围和单位,因此无法进行量化比较与分析,本文采用0均值归一化方法将不同的传输参数归一化(normalization),归一化公式为:

其中,

v^nor：性能参数归一化值

v：性能参数

μ：性能参数的均值

σ：性能参数的方差

评价一个粒子的适应度是根据它所代表的的切片的传输参数做出的,也就是说粒子的适应度即网络切片的适应度；基于上述性能参数归一化,使得对NS的量化分析变得可行,同时考虑到5G应用场景的分类和传输参数的选择,以及对微小变化的反映,本文以指数函数为基础设计的粒子适应度评价函数如下:

Fitness(α,β,D,B)＝-αe^D+βe^B (4)

其中,

D：为归一化后的一个子图中延迟最大的路径延迟值

B：为归一化后的一个子图中链路的最小带宽

α：为低时延需求类切片占所有切片的比例

β：为高带宽需求类切片占所有切片的比例

基本粒子更新：标准PSO算法中的粒子通过公式(1)(2)跟踪粒子本身所找到的最优解和整个种群目前找到的最优解更新自己；本文中,根据网络切片的实际问题特点对传统的方法进行改进,借鉴GA中的杂交和变异的思想,将杂交和变异的思想应用于子图优化；

1)子图杂交：

将当前的粒子所代表的子图依次与局部最优子图和全局最优子图杂交,然后对杂交后的子图进行优化；杂交步骤如下：

Step1：找出当前粒子与局部最优子图、全局最优子图相同的节点；

Step2：如果当前粒子与局部最优子图相同节点数小于4个并且与全局最优子图相同节点数也小于4个,则进入2)子图变异；

Step3：如果当前粒子与局部最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性,否则进入Step4；

Step4：如果当前粒子与全局最优子图相同节点数大于3个,则随机在相同的节点中选择两个节点,交换这两个节点之间的路由,并保持连通性；

Step5：删除所有既不是源节点也不是目标节点的叶子节点；

Step6：输出这个杂交后的新子图；

2)子图变异：

根据变异概率,随机选择一个不在切片路由内的一个点,就近接入路由内；变异本身是一种局部随机搜索,与杂交算子结合在一起,保证了种群更新的有效性,增强了粒子群的局部随机搜索能力；同时使得粒子群能够保持多样性,防止局部过早收敛；因为设置的变异概率P_m非常小,所以可以避免算法退化为随机搜索；变异步骤如下：

Step1：初始化一个随机值；

Step2：比较这个值与变异概率P_m的大小,如果大于P_m,则进入Step3；否则,转入Step4；

Step3：随机选择不在路由路径中的一个点,选择适应度最高的两条路接入子图；

Step4：输出切片；

整体算法实施步骤：基于GA-PSO优化的网络切片编排算法具体步骤如下：

Step1：归一化表征网络切片性能的传输参数,归一化方法按照公式(3)；

Step2：使用最短路径算法生成两个个基类网络切片:低时延类切片和高带宽类切片,组成杂交池,池内切片按照前述的子图杂交算法随机两两杂交,初始化2n个粒子,每个粒子即为一个NS,代表一个拓扑子图G；

Step3：每类切片,选择合适的参数,按照Fitness(α,β,D,B)计算种群粒子的适应度,并进行排序,选择适应度最高的N个粒子组成初始化种群；

Step4：记录当前Step3适应度最高的切片,为局部最优粒子G_pb,同时也是全局最优粒子G_gb；

Step5：设置迭代次数m和描述最优解稳定性的最优解控制阈值threshold；

Step6：按照子图杂交和子图变异算法,根据局部最优NS和全局最优NS,采用杂交、变异的方式更新粒子群中的所有粒子；

Step7：按照Fitness(α,β,D,B)计算种群粒子的适应度,更新局部最优粒子G_pb,如果当前的局部最优粒子G_pb的适应值高于当前的全局最优粒子G_g,b,则更新全局最优粒子；否则最优解控制计数器加1；

Step8：检查迭代终止条件,如果迭代次数达到m次或者最优解控制计数器的值大于最优解控制阈值threshold,则进入Step9,否则进入返回Step6；

Step9：输出最优子图G_gb。