CN108616377A - 业务链虚拟机控制方法和系统 - Google Patents

业务链虚拟机控制方法和系统 Download PDF

Info

Publication number
CN108616377A
CN108616377A CN201611142509.5A CN201611142509A CN108616377A CN 108616377 A CN108616377 A CN 108616377A CN 201611142509 A CN201611142509 A CN 201611142509A CN 108616377 A CN108616377 A CN 108616377A
Authority
CN
China
Prior art keywords
virtual machine
traffic information
historical
business chain
machine frame
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.)
Granted
Application number
CN201611142509.5A
Other languages
English (en)
Other versions
CN108616377B (zh
Inventor
罗雨佳
欧亮
唐宏
王勇
刘汉江
莫志威
龚霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN201611142509.5A priority Critical patent/CN108616377B/zh
Publication of CN108616377A publication Critical patent/CN108616377A/zh
Application granted granted Critical
Publication of CN108616377B publication Critical patent/CN108616377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种业务链虚拟机控制方法和系统，涉及数据通信领域。该方法包括：从业务链入口测得历史流量信息；根据该历史流量信息预测得到未来流量信息；以及根据该未来流量信息获得虚拟机配置方案，并下发到业务链，动态地控制虚拟机的开启或关闭。本发明实现了对业务链虚拟机的动态开启或关闭，可以达到节省资源的效果。

Description

业务链虚拟机控制方法和系统
技术领域
本发明涉及数据通信领域，特别涉及一种业务链虚拟机控制方法和系统。
背景技术
随着运营商网络支持的应用数量爆炸性增长，网络所要提供的网络功能(如防火墙、深度包检测、异常检测、负载均衡器等)日益增多。同时，由于流量的增加，使得对同种网络功能的需求量也相应增长。传统网络中的网络功能是由固定硬件实现的，可扩展性和灵活性较差，更新换代周期长，且部署价格高昂。NFV(Network Function Virtualization，网络功能虚拟化)技术的发展，使硬件和网络资源成为通用服务器上的虚拟资源池，提升了资源利用率、网络功能可扩展性和灵活性。
发明内容
本发明需要解决的一个技术问题是：提供一种业务链虚拟机控制方法，以实现对业务链虚拟机的动态开启或关闭。
根据本发明的第一方面，提供了一种业务链虚拟机控制方法，包括：从业务链入口测得历史流量信息；根据所述历史流量信息预测得到未来流量信息；以及根据所述未来流量信息获得虚拟机配置方案，并下发到所述业务链，动态地控制所述虚拟机的开启或关闭。
在一个实施例中，所述未来流量信息包括：预测流量数据和资源预留数据。
在一个实施例中，所述历史流量信息包括：在当前时刻采集的当前时刻流量和在所述当前时刻之前的多个历史时刻采集的多个历史时刻流量。
在一个实施例中，根据所述历史流量信息预测得到未来流量信息的步骤包括：根据所述历史流量信息和通过训练得到的历史流量信息与预测流量数据的关系获得所述预测流量数据。
在一个实施例中，所述历史流量信息与预测流量数据的关系为其中，为需要预测的时刻t的预测流量数据，f[t-i]为时刻t-i的历史流量信息，a0和ai为利用历史流量信息训练得到的系数，这里1≤i≤k且i为正整数，k≥1且k为正整数。
在一个实施例中，根据所述历史流量信息预测得到未来流量信息的步骤还包括：通过回归分析方法训练得到所述系数a0和ai。
在一个实施例中，根据所述历史流量信息预测得到未来流量信息的步骤还包括：根据所述预测流量数据计算得到所述资源预留数据；其中，计算所述资源预留数据的关系式为其中，R(t)为需要预测的时刻t的资源预留数据，为时刻t的预测流量数据，σ为所述历史时刻流量的预测值和实际值之间的平均误差率标准差。
在一个实施例中，根据所述未来流量信息获得虚拟机配置方案的步骤包括：根据所述未来流量信息并基于所需要满足的优化条件获得在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量；其中，所需要满足的优化条件包括：(1)使得所述机框内被服务到的总流量最大化；(2)被网络功能服务的总流量大小不超过所述网络功能的初始总容量；(3)在所述机框下不同网络功能的个数之和不超过所述机框下的虚拟机总个数。
在一个实施例中，根据所述未来流量信息获得虚拟机配置方案的步骤还包括：根据在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量来确定需要开启或关闭的虚拟机；动态地控制所述虚拟机的开启或关闭的步骤包括：当需要关闭所述网元的虚拟机时，如果机框内有多个对应虚拟机，则选取业务量最小者关闭；或者当需要开启所述网元的虚拟机时，则选择有剩余资源的服务器，开启虚拟机。
本发明上述实施例提供了一种业务链虚拟机控制方法。在该方法中，可以结合未来流量信息，对业务链虚拟机进行动态开启或关闭，可以达到节省资源的效果。
进一步地，上述方法还可以通过获得资源预留数据，从而对流量预测的误差进行资源冗余预留，提高系统可靠性。
根据本发明的第二方面，提供了一种业务链虚拟机控制系统，包括：数据采集模块，用于从业务链入口测得历史流量信息，并将所述历史流量信息传送到流量预测模块；所述流量预测模块，用于根据所述历史流量信息预测得到未来流量信息，并将所述未来流量信息传送到虚拟机控制模块；以及所述虚拟机控制模块，用于根据所述未来流量信息获得虚拟机配置方案，并下发到所述业务链，动态地控制所述虚拟机的开启或关闭。
在一个实施例中，所述未来流量信息包括：预测流量数据和资源预留数据。
在一个实施例中，所述历史流量信息包括：在当前时刻采集的当前时刻流量和在所述当前时刻之前的多个历史时刻采集的多个历史时刻流量。
在一个实施例中，所述流量预测模块根据所述历史流量信息和通过训练得到的历史流量信息与预测流量数据的关系获得所述预测流量数据。
在一个实施例中，所述历史流量信息与预测流量数据的关系为其中，为需要预测的时刻t的预测流量数据，f[t-i]为时刻t-i的历史流量信息，a0和ai为利用历史流量信息训练得到的系数，这里1≤i≤k且i为正整数，k≥1且k为正整数。
在一个实施例中，所述流量预测模块通过回归分析方法训练得到所述系数a0和ai。
在一个实施例中，所述流量预测模块根据所述预测流量数据计算得到所述资源预留数据；其中，计算所述资源预留数据的关系式为其中，R(t)为需要预测的时刻t的资源预留数据，为时刻t的预测流量数据，σ为所述历史时刻流量的预测值和实际值之间的平均误差率标准差。
在一个实施例中，所述虚拟机控制模块根据所述未来流量信息并基于所需要满足的优化条件获得在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量；其中，所需要满足的优化条件包括：(1)使得所述机框内被服务到的总流量最大化；(2)被网络功能服务的总流量大小不超过所述网络功能的初始总容量；(3)在所述机框下不同网络功能的个数之和不超过所述机框下的虚拟机总个数。
在一个实施例中，所述虚拟机控制模块根据在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量来确定需要开启或关闭的虚拟机；其中，当需要关闭所述网元的虚拟机时，如果机框内有多个对应虚拟机，则所述虚拟机控制模块选取业务量最小者关闭；或者当需要开启所述网元的虚拟机时，则所述虚拟机控制模块选择有剩余资源的服务器，开启虚拟机。
在本发明的上述系统中，可以结合未来流量信息，对业务链虚拟机进行动态开启或关闭，可以达到节省资源的效果。
进一步地，未来流量信息还包含对流量预测误差进行的资源冗余预留，可以提高系统可靠性。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：
图1是示意性地示出根据本发明一个实施例的NFV业务链部署示意图。
图2是示出根据本发明一个实施例的业务链虚拟机控制方法的流程图。
图3是示出根据本发明一个实施例的优化获得虚拟机配置方案的方法的流程图。
图4是示意性地示出根据本发明一个实施例的业务链虚拟机控制系统的结构图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1是示意性地示出根据本发明一个实施例的NFV业务链部署示意图。
如图1所示，例如一个机框内放置几台服务器，这些服务器可以通过TOR交换机进行互联。每台服务器上配置一台或多台虚拟机，每台虚拟机安装一个网络功能，例如防火墙(Firewall)、NAT(Network Address Translation，网络地址转换)、CDN(ContentDeliveryNetwork，内容分发网络)、URL(Uniform Resource Locator，统一资源定位符)过滤或负载均衡等。部署环境中可以不止一个机框，每个机框可以重复安装网络功能，如机框1的服务器安装了NAT，机框2也可以安装NAT。
假设网络中有多条业务链需求，其中，业务链i为防火墙→NAT→CDN。在业务链入口，所有经过业务链i的session(会话)将汇聚成一条大流，假设称为流量i。由于流量i是多个session的汇聚流量，因此当该流量进入业务链入口后，是可拆分的，即可以分为更小的流量i1、i2…in等(例如图1中示出了流量i1和i2)，每条小流量可以选择不同的机框和不同的路径来访问所需网络功能。
图2是示出根据本发明一个实施例的业务链虚拟机控制方法的流程图。
在步骤S202，从业务链入口测得历史流量信息。该历史流量信息可以包括：在当前时刻采集的当前时刻流量和在该当前时刻之前的多个历史时刻采集的多个历史时刻流量。
假设已知业务链信息，例如，现网共需要3条业务链，业务链1为NAT→CDN，业务链2为防火墙→负载均衡，业务链3为DPI→URL过滤→防火墙。需要经过同一条业务链的session会在业务链入口处进行流量聚合，即将流经业务链1的所有流量看作第一条流，流经业务链2的所有流量看作第二条流，以及流经业务链3的所有流量看作第三条流。
在该步骤S202中，例如可以通过SNMP(Simple Network Management Protocol，简单网络管理协议)、netflow(网路流)等现有流量流向采集手段，采集业务链入口处的业务链流量汇聚信息(即历史流量信息)。
在步骤S204，根据历史流量信息预测得到未来流量信息。例如，该未来流量信息可以包括：预测流量数据和资源预留数据。
在一个实施例中，该步骤S204可以包括：根据历史流量信息和通过训练得到的历史流量信息与预测流量数据的关系获得预测流量数据。
例如，历史流量信息与预测流量数据的关系为其中，为需要预测的时刻t的预测流量数据，f[t-i]为时刻t-i的历史流量信息，a0和ai为利用历史流量信息训练得到的系数，这里1≤i≤k且i为正整数，k≥1且k为正整数。
在一个实施例中，该步骤S204还可以包括：通过回归分析方法训练得到系数a0和ai。这里1≤i≤k且i为正整数，k≥1且k为正整数。
下面详细描述流量预测过程(其中包括得到系数a0和ai的过程)。
通过回归分析方法，利用历史时间点上的某业务链总流量大小以及流量大小的变化，预测未来某时间点上的该业务链总流量情况。例如，要对时刻t的流量情况进行预测，可以利用t-k到t-1这k个时间点上的流量情况来进行估计，即
假设训练数据集合有N个数据点，为{t1,t2,…,tN}，利用这N个数据建立N-k个回归方程：
其中t＝{k+1,k+2,…,N}。再利用回归分析，计算出所有系数{ai}，i＝0…k。该问题可以表示成
Y＝Xβ+ε (3)
其中r＝N-k，是Y的阶数，即回归方程个数。
Y＝[f[t],f[t-1],…,f[t-r+1]]T，
β＝[a0,a1,…,ak]T，
ε＝[ε0,ε1,…,εk]T，
其中，ε是流量预测值与真实值(也即实际值)的误差，该问题本质上是最小化ε，
minimize(最小化) ||ε||
即
其中，当
β＝(XTX)-1XTY (4)
时，ε达到最小。利用式(4)即可求出系数。在得到系数取值后，便可以利用式(1)来对t时刻的某业务链流量进行预测估计。例如，在每次计算得到预测流量数据之前，可以利用当前时刻之前的历史时刻流量计算上述系数。
此时，存在误差为
由于流量估计可能存在误差，因此可以在预测流量数据的基础上，给出一定的资源冗余，即资源预留数据，避免流量预测误差造成的资源不足，从而影响用户服务质量。
在一个实施例中，该步骤S204还可以包括：根据预测流量数据计算得到资源预留数据。其中，计算该资源预留数据的关系式为其中，R(t)为需要预测的时刻t的资源预留数据，为时刻t的预测流量数据，σ为历史时刻流量的预测值和实际值之间的平均误差率标准差。这里需要说明的是，对于每个历史时刻流量，其可以包括采集得到的实际值和通过前面的预测计算方法得到的预测值。在一个实施例中，可以利用历史时刻流量的预测值和实际值训练得到平均误差率标准差。
下面详细描述计算资源预留数据的过程。
例如可以利用3-σ原则进行备分。假设r(t)为历史流量信息中在历史时刻t的实际流量数据，f(t)为历史流量信息中在历史时刻t的预测流量数据，那么预测误差率定义为
基于该定义，历史平均误差率定义为
这里，T是一个历史时刻，T-N+1≤t≤T表示这个平均误差是在前面N个时刻里求出来的，相当于一个平均滑动窗口。N为所采用的历史流量信息的个数，N≥1，所采用的历史流量信息为时刻T-N至T的数据。
上述历史平均误差率为一个加权平均，其中α是一个在0到1之间的数，如果越接近于1，则历史数据有更大的权重；如果越接近于0，则近期数据有更大的权重。这里需要说明的是，对于给定的T时刻，越接近T的数据就是越近期的数据。
相应的，方差定义为
而平均误差率标准差为
因此，通过历史时刻流量的预测值和实际值可以训练得到上述平均误差率标准差σ。由于有多个历史时刻的历史时刻流量，因此该平均误差率标准差实际上是经过多个历史时刻流量计算的加权平均值。
基于这一系列的历史统计，在每个时刻t，在根据历史流量信息预测得到预测流量数据后，可以得到资源预留数据为利用该3σ原则可以保证资源预留充足，例如可以保证99.3％的资源充足。在上述实施例中，σ是历史流量误差率的标准差均值，而非历史流量误差的标准差均值，所以需要预留的资源比后者少，能够以较少的冗余资源提供保障，减少资源浪费。
在本发明的实施例中，该步骤S204还可以包括：将预测流量数据和资源预留数据相加，得到未来流量信息为
在步骤S206，根据未来流量信息获得虚拟机配置方案，并下发到业务链，动态地控制虚拟机的开启或关闭。
在一个实施例中，根据未来流量信息获得虚拟机配置方案的步骤可以包括：根据未来流量信息并基于所需要满足的优化条件获得在机框中服务的流量的百分比和在机框中业务链网元应开启的虚拟机的数量。其中，所需要满足的优化条件可以包括：(1)使得机框内被服务到的总流量最大化；(2)被网络功能服务的总流量大小不超过网络功能的初始总容量；(3)在机框下不同网络功能的个数之和不超过该机框下的虚拟机总个数。
为充分利用网络中的计算资源，需要所未来流量信息，动态地控制业务链虚拟机的开启或关闭。这可以基于上述需要满足的三个条件通过求解优化问题来进行实现，下面介绍求解优化问题的具体过程。
由前文可知，业务链汇聚流量由多个session组成，可拆分成多条小流量，假设每条小流量可选择不同机框服务，但同一条小流必须在同一机框内完成业务链服务，流量不跨机框，节约网络带宽。
按照任意顺序，依次对每个机框求解如下优化问题(一次优化问题求解只针对一个机框内部)，以使每个机框为尽可能多的流量提供服务。每求解完一个机框配置，需要将可被服务的流量大小从汇聚流量中扣除，再重新进行新的机框求解，具体步骤在后续将结合图3详细描述。
maximize(最大化)
并且有
优化问题如方程式(5)至(7)所示。假设网络中有M个机框，N条业务链，V种不同的网络功能。式(5)至(7)中，vi是流经某业务链i的总流量中还未得到服务的剩余流量大小(这里的vi即为前面所述的未来流量信息，例如可以为预测流量数据与资源预留数据的和)；xi是变量，表示流量i可能在机框r中被服务的流量比例(即在机框中服务的流量的百分比)；Fki是常量，非0即1，表示网络功能k是否在流量i需经过的业务链中；yk是变量，表示在机框r下应该开启的网络功能k的个数(即在机框中需要使用的虚拟机的数量)；Ck表示一个网络功能k未使用时的总容量；Mr表示机框r下的虚拟机总个数。
上述式(5)至(7)分别表示如下：式(5)表示使得机框内被服务到的总流量最大化；式(6)表示被网络功能服务的总流量大小不超过网络功能的初始总容量(即未使用时的总容量)；式(7)表示在机框下不同网络功能的个数之和不超过该机框下的虚拟机总个数。
从式(5)至(7)中求解xi和yk，xi表示在机框中服务的流量i的百分比(也就是表示流量i有百分之多少的流量是在机框r中服务)，yk表示在机框中业务链网元应开启的虚拟机的数量(也就是表示网络功能k在机框r中需要开启的虚拟机的个数)。在得到xi和yk之后，可以得到现有时刻，某机框下应该开启的网络功能种类和个数(有时可能存在多个解，可以随意选择一个，不影响实际效果)。
在一个实施例中，根据未来流量信息获得虚拟机配置方案的步骤还可以包括：根据在机框中服务的流量的百分比和在机框中业务链网元应开启的虚拟机数量来确定需要开启或关闭的虚拟机。
例如经过上述求解得到的结果为：机框r应开启3个防火墙虚拟机，2个CDN虚拟机，1个URL过滤虚拟机。而目前机框下有3个CDN虚拟机，2个URL过滤虚拟机，因此结论是需要关闭一个CDN虚拟机和一个URL过滤虚拟机。
在一个实施例中，动态地控制虚拟机的开启或关闭的步骤可以包括：当需要关闭某网元虚拟机时，如果机框内有多个对应虚拟机，则选取业务量最小者关闭；或者当需要开启某网元虚拟机时，则选择有剩余资源的服务器，开启虚拟机。在该实施例中，选取业务量最小者关闭有利于最小化业务迁移成本。在开启虚拟机时，可以随意选择有剩余资源的服务器。
至此，提供了一种业务链虚拟机控制方法。在该方法中，可以结合未来流量信息，对业务链虚拟机进行动态开启或关闭，可以达到节省资源的效果。
进一步地，上述方法还可以通过获得资源预留数据，从而对流量预测的误差进行资源冗余预留，提高系统可靠性。
在本发明的实施例中，由于网络中流量时常变化，在NFV场景下，可以依据流量变化情况动态地分配服务器计算资源，在流量较小时，关闭或休眠一些虚拟机；流量增大时，再开启或唤醒虚拟机，从而节约运营开销。考虑到虚拟机的开启和重新配置需要一定时间，网络管理者可以进行流量预测，并根据预测情况提前开启虚拟机，为后续可能到来的流量提供服务；而当流量减小时，则可实时关闭虚拟机，起到节省运营开销的目的。
图3是示出根据本发明一个实施例的优化获得虚拟机配置方案的方法的流程图。
在步骤S302，获得未来流量信息。例如获得预测流量数据和资源预留数据，作为前面所述的vi(未来流量信息)。
在步骤S304，随意选择一个未求解优化的机框。
在步骤S306，得出机框内应开启的网络功能种类和数目。
在步骤S308，扣除该机框可被服务的流量大小。
在步骤S310，判断总流量是否全部被服务。如果是，则过程结束，否则过程返回步骤S304。
在该实施例中，通过对每个机框求解优化，从而使得每个机框为尽可能多的流量提供服务。
图4是示意性地示出根据本发明一个实施例的业务链虚拟机控制系统的结构图。如图4所示，该业务链虚拟机控制系统40可以包括：数据采集模块401、流量预测模块402和虚拟机控制模块403。
该数据采集模块401用于从业务链入口410测得历史流量信息，并将该历史流量信息传送到流量预测模块402。该数据采集模块401可以通过SNMP、netflow等现有流量流向采集手段，采集业务链入口处的业务链流量汇聚信息。例如，该历史流量信息可以包括：在当前时刻采集的当前时刻流量和在该当前时刻之前的多个历史时刻采集的多个历史时刻流量。
该流量预测模块402用于根据历史流量信息预测得到未来流量信息，并将该未来流量信息传送到虚拟机控制模块403。例如，该未来流量信息可以包括：预测流量数据和资源预留数据。
该虚拟机控制模块403用于根据未来流量信息获得虚拟机配置方案，并下发到业务链，动态地控制虚拟机的开启或关闭。
在上述实施例的系统中，可以结合未来流量信息，对业务链虚拟机进行动态开启或关闭，可以达到节省资源的效果。
进一步地，上述系统还可以通过获得资源预留数据，对流量预测的误差进行资源冗余预留，提高系统可靠性。
在一个实施例中，该流量预测模块402可以根据历史流量信息和通过训练得到的历史流量信息与预测流量数据的关系获得预测流量数据。
例如，历史流量信息与预测流量数据的关系可以为其中，为需要预测的时刻t的预测流量数据，f[t-i]为时刻t-i的历史流量信息，a0和ai为利用历史流量信息训练得到的系数，这里1≤i≤k且i为正整数，k≥1且k为正整数。
在一个实施例中，流量预测模块402可以通过回归分析方法训练得到所述系数a0和ai。关于训练得到系数a0和ai的过程前面已经详细描述，这里不再赘述。
在一个实施例中，流量预测模块402可以根据预测流量数据计算得到资源预留数据。其中，计算该资源预留数据的关系式为其中，R(t)为需要预测的时刻t的资源预留数据，为时刻t的预测流量数据，σ为历史时刻流量的预测值和实际值之间的平均误差率标准差。在该实施例中，通过计算得到资源预留数据，从而对流量预测的误差进行了资源冗余预留，提高了系统可靠性。
在一个实施例中，流量预测模块402可以利用历史时刻流量的预测值和实际值训练得到平均误差率标准差σ。
在一个实施例中，虚拟机控制模块403可以根据未来流量信息(例如预测流量数据+资源预留数据)并基于所需要满足的优化条件获得在机框中服务的流量的百分比和在机框中业务链网元应开启的虚拟机数量。其中，所需要满足的优化条件可以包括：(1)使得机框内被服务到的总流量最大化；(2)被网络功能服务的总流量大小不超过该网络功能的初始总容量；(3)在机框下不同网络功能的个数之和不超过该机框下的虚拟机总个数。
在一个实施例中，虚拟机控制模块403可以根据在机框中服务的流量的百分比和在该机框中业务链网元应开启的虚拟机数量来确定需要开启或关闭的虚拟机。其中，当需要关闭所述网元的虚拟机时，如果机框内有多个对应虚拟机，则该虚拟机控制模块403可以选取业务量最小者关闭；或者当需要开启所述网元的虚拟机时，则该虚拟机控制模块403可以选择有剩余资源的服务器，开启虚拟机。
在本发明的实施例中，数据采集模块从业务链入口处测得历史流量信息，并将该历史流量信息传递给流量预测模块。流量预测模块根据历史流量信息，对流量情况进行预测；并且对预测误差进行资源预留，并将未来流量信息(即预测流量数据+资源预留数据)传递给虚拟机控制模块。虚拟机控制模块针对流量预测模块输出结果，给出虚拟机控制部署方案，并下发到NFV业务链。在NFV业务链场景下，本发明的系统实现了动态预测网络流量，并根据估计的网络流量情况，动态开启或关闭业务链虚拟机的方案，从而达到减少网络运营成本的目的。并且考虑到预测误差的情况，为误差预留合理冗余资源。
至此，已经详细描述了本发明。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (18)

1.一种业务链虚拟机控制方法，其特征在于，包括：
从业务链入口测得历史流量信息；
根据所述历史流量信息预测得到未来流量信息；以及
根据所述未来流量信息获得虚拟机配置方案，并下发到所述业务链，动态地控制所述虚拟机的开启或关闭。
2.根据权利要求1所述的方法，其特征在于，
所述未来流量信息包括：预测流量数据和资源预留数据。
3.根据权利要求2所述的方法，其特征在于，
所述历史流量信息包括：在当前时刻采集的当前时刻流量和在所述当前时刻之前的多个历史时刻采集的多个历史时刻流量。
4.根据权利要求3所述的方法，其特征在于，根据所述历史流量信息预测得到未来流量信息的步骤包括：
根据所述历史流量信息和通过训练得到的历史流量信息与预测流量数据的关系获得所述预测流量数据。
5.根据权利要求4所述的方法，其特征在于，
所述历史流量信息与预测流量数据的关系为
其中，为需要预测的时刻t的预测流量数据，f[t-i]为时刻t-i的历史流量信息，a0和ai为利用历史流量信息训练得到的系数，这里1≤i≤k且i为正整数，k≥1且k为正整数。
6.根据权利要求5所述的方法，其特征在于，根据所述历史流量信息预测得到未来流量信息的步骤还包括：
通过回归分析方法训练得到所述系数a0和ai。
7.根据权利要求4所述的方法，其特征在于，根据所述历史流量信息预测得到未来流量信息的步骤还包括：
根据所述预测流量数据计算得到所述资源预留数据；
其中，计算所述资源预留数据的关系式为
其中，R(t)为需要预测的时刻t的资源预留数据，为时刻t的预测流量数据，σ为所述历史时刻流量的预测值和实际值之间的平均误差率标准差。
8.根据权利要求1所述的方法，其特征在于，根据所述未来流量信息获得虚拟机配置方案的步骤包括：
根据所述未来流量信息并基于所需要满足的优化条件获得在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量；其中，所需要满足的优化条件包括：
(1)使得所述机框内被服务到的总流量最大化；
(2)被网络功能服务的总流量大小不超过所述网络功能的初始总容量；
(3)在所述机框下不同网络功能的个数之和不超过所述机框下的虚拟机总个数。
9.根据权利要求8所述的方法，其特征在于，
根据所述未来流量信息获得虚拟机配置方案的步骤还包括：根据在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量来确定需要开启或关闭的虚拟机；
动态地控制所述虚拟机的开启或关闭的步骤包括：当需要关闭所述网元的虚拟机时，如果机框内有多个对应虚拟机，则选取业务量最小者关闭；或者当需要开启所述网元的虚拟机时，则选择有剩余资源的服务器，开启虚拟机。
10.一种业务链虚拟机控制系统，其特征在于，包括：
数据采集模块，用于从业务链入口测得历史流量信息，并将所述历史流量信息传送到流量预测模块；
所述流量预测模块，用于根据所述历史流量信息预测得到未来流量信息，并将所述未来流量信息传送到虚拟机控制模块；以及
所述虚拟机控制模块，用于根据所述未来流量信息获得虚拟机配置方案，并下发到所述业务链，动态地控制所述虚拟机的开启或关闭。
11.根据权利要求10所述的系统，其特征在于，
所述未来流量信息包括：预测流量数据和资源预留数据。
12.根据权利要求11所述的系统，其特征在于，
所述历史流量信息包括：在当前时刻采集的当前时刻流量和在所述当前时刻之前的多个历史时刻采集的多个历史时刻流量。
13.根据权利要求12所述的系统，其特征在于，
所述流量预测模块根据所述历史流量信息和通过训练得到的历史流量信息与预测流量数据的关系获得所述预测流量数据。
14.根据权利要求13所述的系统，其特征在于，
所述历史流量信息与预测流量数据的关系为
其中，为需要预测的时刻t的预测流量数据，f[t-i]为时刻t-i的历史流量信息，a0和ai为利用历史流量信息训练得到的系数，这里1≤i≤k且i为正整数，k≥1且k为正整数。
15.根据权利要求14所述的系统，其特征在于，
所述流量预测模块通过回归分析方法训练得到所述系数a0和ai。
16.根据权利要求13所述的系统，其特征在于，
所述流量预测模块根据所述预测流量数据计算得到所述资源预留数据；
其中，计算所述资源预留数据的关系式为
其中，R(t)为需要预测的时刻t的资源预留数据，为时刻t的预测流量数据，σ为所述历史时刻流量的预测值和实际值之间的平均误差率标准差。
17.根据权利要求10所述的系统，其特征在于，
所述虚拟机控制模块根据所述未来流量信息并基于所需要满足的优化条件获得在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量；其中，所需要满足的优化条件包括：
(1)使得所述机框内被服务到的总流量最大化；
(2)被网络功能服务的总流量大小不超过所述网络功能的初始总容量；
(3)在所述机框下不同网络功能的个数之和不超过所述机框下的虚拟机总个数。
18.根据权利要求17所述的系统，其特征在于，
所述虚拟机控制模块根据在所述机框中服务的流量的百分比和在所述机框中业务链网元应开启的虚拟机数量来确定需要开启或关闭的虚拟机；
其中，当需要关闭所述网元的虚拟机时，如果机框内有多个对应虚拟机，则所述虚拟机控制模块选取业务量最小者关闭；或者当需要开启所述网元的虚拟机时，则所述虚拟机控制模块选择有剩余资源的服务器，开启虚拟机。
CN201611142509.5A 2016-12-13 2016-12-13 业务链虚拟机控制方法和系统 Active CN108616377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611142509.5A CN108616377B (zh) 2016-12-13 2016-12-13 业务链虚拟机控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611142509.5A CN108616377B (zh) 2016-12-13 2016-12-13 业务链虚拟机控制方法和系统

Publications (2)

Publication Number Publication Date
CN108616377A true CN108616377A (zh) 2018-10-02
CN108616377B CN108616377B (zh) 2021-12-31

Family

ID=63643686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611142509.5A Active CN108616377B (zh) 2016-12-13 2016-12-13 业务链虚拟机控制方法和系统

Country Status (1)

Country Link
CN (1) CN108616377B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079981A (zh) * 2019-11-25 2020-04-28 南京群顶科技有限公司 一种基于业务资源冗余量预测的节能减排方法
CN112187498A (zh) * 2019-07-03 2021-01-05 中国电信股份有限公司 旁路保护方法及其装置、系统和深度报文检测dpi系统
CN112199153A (zh) * 2020-09-25 2021-01-08 国网河北省电力有限公司信息通信分公司 一种虚拟网络功能vnf实例部署方法及装置
CN112437015A (zh) * 2019-08-26 2021-03-02 中国电信股份有限公司 分流调度方法、装置、系统和计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546738A (zh) * 2010-12-07 2012-07-04 思科技术公司 基于网络环境中的事件来分配资源的系统和方法
CN103036974A (zh) * 2012-12-13 2013-04-10 广东省电信规划设计院有限公司 基于隐马尔可夫模型的云计算资源调度方法和系统
CN103124274A (zh) * 2011-11-18 2013-05-29 中兴通讯股份有限公司 一种云计算虚拟化调度方法及装置
CN104410541A (zh) * 2014-11-18 2015-03-11 盛科网络（苏州）有限公司 Vxlan内层虚拟机流量在中间交换机上进行统计的方法及装置
EP3021521A1 (en) * 2014-11-11 2016-05-18 Alcatel Lucent A method and system for scaling, telecommunications network and computer program product
CN105988858A (zh) * 2015-05-15 2016-10-05 中国银联股份有限公司 一种虚拟机资源调度方法、装置及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546738A (zh) * 2010-12-07 2012-07-04 思科技术公司 基于网络环境中的事件来分配资源的系统和方法
CN103124274A (zh) * 2011-11-18 2013-05-29 中兴通讯股份有限公司 一种云计算虚拟化调度方法及装置
CN103036974A (zh) * 2012-12-13 2013-04-10 广东省电信规划设计院有限公司 基于隐马尔可夫模型的云计算资源调度方法和系统
EP3021521A1 (en) * 2014-11-11 2016-05-18 Alcatel Lucent A method and system for scaling, telecommunications network and computer program product
CN104410541A (zh) * 2014-11-18 2015-03-11 盛科网络（苏州）有限公司 Vxlan内层虚拟机流量在中间交换机上进行统计的方法及装置
CN105988858A (zh) * 2015-05-15 2016-10-05 中国银联股份有限公司 一种虚拟机资源调度方法、装置及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112187498A (zh) * 2019-07-03 2021-01-05 中国电信股份有限公司 旁路保护方法及其装置、系统和深度报文检测dpi系统
CN112187498B (zh) * 2019-07-03 2022-09-06 中国电信股份有限公司 旁路保护方法及其装置、系统和深度报文检测dpi系统
CN112437015A (zh) * 2019-08-26 2021-03-02 中国电信股份有限公司 分流调度方法、装置、系统和计算机可读存储介质
CN111079981A (zh) * 2019-11-25 2020-04-28 南京群顶科技有限公司 一种基于业务资源冗余量预测的节能减排方法
CN112199153A (zh) * 2020-09-25 2021-01-08 国网河北省电力有限公司信息通信分公司 一种虚拟网络功能vnf实例部署方法及装置

Also Published As

Publication number Publication date
CN108616377B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
Pei et al. Optimal VNF placement via deep reinforcement learning in SDN/NFV-enabled networks
US20200112494A1 (en) Server-client determination
Xiao et al. Deep-q: Traffic-driven qos inference using deep generative network
CN103379002B (zh) 电信网络的自适应监测
CN108616377A (zh) 业务链虚拟机控制方法和系统
Chen et al. Reinforcement learning–based QoS/QoE‐aware service function chaining in software‐driven 5G slices
CN106534333A (zh) 一种基于mec和mcc的双向选择计算卸载方法
Khorsand et al. A self‐learning fuzzy approach for proactive resource provisioning in cloud environment
US11669751B2 (en) Prediction of network events via rule set representations of machine learning models
CN110231976A (zh) 一种基于负载预测的边缘计算平台容器部署方法及系统
CN109831522A (zh) 一种基于smdp的车联云雾系统动态资源优化管理系统和方法
CN106533806A (zh) 多租户SDN网络中基于应用感知提供跨层QoS的方法
CN112217725B (zh) 一种基于边缘计算的延迟优化方法
Rahman et al. Auto-scaling network service chains using machine learning and negotiation game
CN105897512A (zh) 一种虚拟专用网络vpn的监测方法及系统
CN109074280A (zh) 网络功能虚拟化
Bouzidi et al. Deep Q-Network and traffic prediction based routing optimization in software defined networks
CN104683252B (zh) 一种应用于游戏网络的网关连入方法与系统
Carvalho et al. QoE-aware container scheduler for co-located cloud environments
CN106791679A (zh) 一种视频传输路径的确定方法及装置
CN109997337A (zh) 网络健康信息的可视化
Xia et al. Learn to optimize: Adaptive VNF provisioning in mobile edge clouds
CN108923961A (zh) 一种多入口网络服务功能链优化方法
CN109831319A (zh) 一种考虑多维资源约束的网络功能部署方法
Nikbazm et al. KSN: Modeling and simulation of knowledge using machine learning in NFV/SDN-based networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant