CN108762768B - 网络服务智能化部署方法及系统 - Google Patents
网络服务智能化部署方法及系统 Download PDFInfo
- Publication number
- CN108762768B CN108762768B CN201810476299.6A CN201810476299A CN108762768B CN 108762768 B CN108762768 B CN 108762768B CN 201810476299 A CN201810476299 A CN 201810476299A CN 108762768 B CN108762768 B CN 108762768B
- Authority
- CN
- China
- Prior art keywords
- module
- virtual
- deployment
- network
- service
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 44
- 238000012546 transfer Methods 0.000 claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 96
- 238000007726 management method Methods 0.000 claims description 42
- 238000013461 design Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 38
- 230000007704 transition Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 18
- 238000009434 installation Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001976 improved effect Effects 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003818 cinder Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络服务智能化部署方法及系统，涉及网络功能虚拟化领域。该方法包括以下步骤：基于张量的虚拟化资源形式化描述方式描述虚拟资源；基于人工智能技术和历史样本数据，计算各虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率的变化趋势；根据变化趋势预测结果，为虚拟网络功能分配最合适的虚拟资源，保证虚拟网络功能正常运行。本发明智能地实现虚拟网络功能在电信云平台中的部署和资源分配。
Description
技术领域
本发明涉及网络功能虚拟化领域，具体是涉及一种网络服务智能化部署方法及系统。
背景技术
VNF(Virtualized Network Function，虚拟网络功能)也称为VNE(VirtualNetwork Element，虚拟网元)，是在通用x86服务器上运行的网络功能组件，用于实现网络报文的转发。虚拟网络功能需要通过编排管理平台部署到电信云平台之中，目前实现虚拟网元部署的开源平台包括ONAP(Open Network Automation Platform，开放网络自动化平台)、Tacker(开源OpenStack平台的一个子项目，用于实现VNF管理)、ETSI OSM(EuropeanTelecommunications Standards Institute Open Source Management andOrchestration Platform，欧洲电信标准化协会开源管理编排平台)、Open Baton(开源管理编排平台，目前在欧洲有应用)等。
ONAP目前是全球最大的SDN(Software Defined Networks，软件定义网络)/NFV(Network Function Virtualization，网络功能虚拟化)网络协同与编排器开源平台，面向5G、企业和家庭宽带等场景，打造网络全生命周期管理平台，2017年11月发布第一个版本Amsterdam，包括SDC(Service Design and Creation，服务设计和创建)、SO(ServiceOrchestration，网络服务编排)、VF-C(Virtrual Function Control，虚拟功能控制)、AAI(Active and Available Inventory，活动和可用目录)、DCAE(Data CollectionAnalytics and Events，数据采集分析和事件处理)等项目。
在ONAP Amsterdam开源平台虚拟网元部署过程中，通过SDC上载各类虚拟网络功能并进行服务编排，然后由SO调用VF-C进行虚拟网元实例化，其中Multi-VIM(MultipleVirtualized Infrastructure Management，多虚拟基础设施管理)负责电信云平台选择，VIM(Virtualized Infrastructure Management，虚拟基础设施管理)负责具体虚拟计算、虚拟存储、虚拟网络资源池的管理和调度。虚拟网元配置信息，如vCER(VirtualizedCloudify Enterprise Router，虚拟云化企业路由器)需要的内存、CPU核数等以TOSCA(Topology and Orchestration Specification for Cloud Application，面向云应用的拓扑和编排规范)或Heat(开源OpenStack平台的一个子项目，用于进行资源和应用编排)模板文件上传至SDC，而具体的虚拟网元镜像image直接上传到VIM平台中。ONAP通过对接厂商自有管理器，实现对虚拟网络功能的全生命周期管理。
Tacker是OpenStack的一个子项目，实现虚拟网元的全生命周期管理。OpenStackTacker采用TOSCA模板定义NSD(Network Service Descriptor，网络服务描述符)、VNFD(VNF Descriptor，VNF描述符)以及VNFFGD(VNF Forwarding Graph Descriptor，VNF转发图描述符)。ONAP将虚拟网络功能部署到电信云平台，由电信云平台对虚拟资源全面管理。
OpenStack能够通过各种互补的组件提供IaaS(Infrastructure as a Service，基础设施即服务)解决方案，每个组件服务提供API(Application ProgrammingInterface，应用编程接口)进行集成。OpenStack覆盖了网络、虚拟化、操作系统、服务器等各个方面，根据成熟及重要程度的不同分解成核心项目、孵化项目，以及支持项目和相关项目。
CloudStack是一个开源的、高可用性高扩展的云计算平台，能支持并管理大部分主流的超级监督程序等。CloudStack拥有自己的API，同时支持亚马逊WEB服务的API模型，可以跨区支持虚拟私有云，提供了高性能虚拟化实例。
上述开源平台能够提供基本的功能实现虚拟网元的部署，但是在性能、可靠性、安全性等方法需要进一步增强，目前，这些开源平台也并不支持智能化虚拟网络功能部署模式。
AI(Artificial Intelligence，人工智能)是一门综合性技术，涉及计算机科学、信息论、控制论、神经生理学、语言学等多个领域和学科。人工智能是在机器上模拟人类的思维方式和工作方法，实现和扩展人类智能的一门科学和技术。随着机器学习、深度学习、大数据等各种技术方法的研究，人工智能新方法新思路不断出现，深度学习更是被评为2013年十大突破性技术的首位技术。
人工智能技术包括逻辑推理、定理证明、自然语言理解、专家系统、自动规划、机器学习、深度学习、神经网络、模式识别、机器视觉、智能控制系统、分布式人工智能、计算智能(遗传算法、粒群优化、蚁群算法)等，其中，深度学习、机器学习、神经网络更是吸引了大量研究人员的关注。
机器学习是人工智能的核心技术，主要采用归纳和综合等方法使计算机具有解决复杂问题的智能，涉及概率论、统计学、凸分析、算法复杂度等一系列的学科。机器学习是研究计算机模拟人类的思维方法，不断获取新的知识，重新组织知识结构，并不断改变自身能力的方法和技术。
目前主流的机器学习方法包括归纳学习、演绎学习、类比学习、解释学习等。机器通过学习得到的知识可以通过多种方法描述，例如代数表达式、决策树、图、神经网络等。
ANN(Artificial Neural Networks，人工神经网络)是一种模仿动物神经网络行为，采用分布式并行信息处理的模型，构建大量节点之间的相互连接关系，实现对复杂信息的处理。人工神经网络具备自适应、自组织能力，在训练过程中，通过改变权重值threshold，去适应周围环境要求。在具体的样本训练过程中，将学习集中的输入添加到神经网络中，定义相关输出值，神经网络将不断调整相关的权重值，进行学习训练，学习结果存储在网络连接中。
深度学习技术的基础架构来自于前馈神经网络以及BP(Back Propagation，后向反馈)算法，通过构建多层的网络，增加网络的深度，减小每层需要拟合的特征数，从而提取数据的高层特征信息，提高分类精度。对于深度学习来说，深度模型是方法和手段，而特征学习是目标。
深度学习方法的关键步骤就是构建包含很多隐含层的神经网络模型，以更少量的单层参数以及更深的网络结构，基于大量有效的训练样本，达到特征学习和抽象目的。深度学习常见模型包括自编码器(Stacked Auto-Encoder)、卷积神经网络(ConvolutionalNeural Network)、深度置信网络(Deep Belief Network)等。
当前人工智能、网络服务部署有比较成熟的技术和方法，但是缺乏基于人工智能的网络服务智能化自动化部署方法，无法实现电信云平台环境下网络服务的高效调配，无法将虚拟化资源合理有效地分配给虚拟网络功能。在网络功能虚拟化环境中，如何实现高效、自动、智能地在电信云平台中为虚拟网络功能分配虚拟计算、存储、网络资源，成为本领域亟待解决的技术难题。
发明内容
本发明的目的是为了克服上述背景技术的不足，提供一种网络服务智能化部署方法及系统，能够高效、自动、智能地实现虚拟网络功能在电信云平台中的部署和资源分配。
本发明提供一种网络服务智能化部署方法，包括以下步骤：
基于张量的虚拟化资源形式化描述方式，采用键/值来描述虚拟资源，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述；
基于人工智能技术和历史样本数据，计算各个虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率未来的变化趋势；
在上线阶段，基于Heat模板编写虚拟网络功能描述文件，基于虚拟网络功能描述文件和虚拟云化企业路由器vCER镜像创建vCER安装包，将vCER安装包上传至服务设计和创建SDC模块，SDC模块将vCER安装包中相关数据分别发送至网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块；
在设计阶段，智能化部署平台向SDC模块发起业务设计请求，SDC模块进行业务设计，设计结果保存在vCER业务模板中，SDC模块将vCER业务模板发布至SO模块；
在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署，为虚拟网络功能分配合适的虚拟资源，保证虚拟网络功能正常运行。
在上述技术方案的基础上，对于虚拟化客户终端设备vCER设备，所述虚拟资源包括非业务相关和业务相关资源，非业务相关资源包括CPU利用率、控制面内存总量和内存剩余量、转发面内存总量和内存剩余量、虚拟网络接口的流入速率和流出速率、数据包丢包率、隧道流速、相关资源告警，采用键/值描述虚拟资源相关数据，基于TOSCA进行形式化处理；通信设备告警与性能相关数据采用管理信息库MIB进行描述。
在上述技术方案的基础上，所述基于张量的虚拟化资源形式化描述方式为：对虚拟计算、存储、网络资源进行基于TOSCA模板的形式化描述，将TOSCA模板中的文件表示成高阶张量模型，通过资源张量ResTensor来统一形式化表示虚拟计算、存储、网络资源，张量的每一阶表示一类特定的指标，每一阶上的维度表示资源值，通过ResTensor模型，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述。
在上述技术方案的基础上，所述计算各个虚拟资源的转移概率包括以下步骤：根据资源张量元素值构建状态空间，计算一步转移概率，从而求得转移张量，转移张量元素值表示从当前状态转移到下一个状态的概率值。
在上述技术方案的基础上，在部署阶段，基于变化趋势预测结果，网络服务编排SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署，具体包括以下步骤：AID模块接收数据中心上报的虚拟资源数据，通过人工智能模型进行分析处理，处理结果通知SO模块，由SO模块完成自动部署；DBF模块对部署进行调整，优化人工智能部署策略，让智能部署模块通过调整神经网络权重参数，以提升部署效果。
在上述技术方案的基础上，所述部署阶段具体包括以下步骤：
登录门户，在门户界面上向SO模块发起VNF实例化请求，SO模块将模板文件发布至VF-C模块，VF-C模块通知AAI进行更新；
VF-C模块将模板文件发布至Multi-VIM模块，VF-C模块通知AAI进行更新；
VF-C模块与AID/DBF交互，取得部署策略；VF-C模块通知厂商独有虚拟网络功能管理器S-VNFM实例化VNF；
Multi-VIM模块将VNF Heat模板文件发布至云平台，厂商S-VNFM控制云平台，按照Heat模板，为vCER分配虚拟资源；
云平台将VNF部署结果反馈至S-VNFM和Multi-VIM，S-VNFM将vCER实例化结果反馈至VF-C模块；云平台将资源变化通知上报VF-C模块；Multi-VIM通知AAI进行更新。
在上述技术方案的基础上，在所述上线阶段，在开放网络自动化平台ONAP平台中，根据不同的业务将不同的虚拟网元包发布至不同ONAP模块。
在上述技术方案的基础上，所述智能化部署平台的搭建过程为：
基于开源平台ONAP搭建管理编排平台，运行网络服务设计创建SDC、网络服务编排SO、虚拟功能控制VF-C、数据采集分析DCAE模块；
基于开源云平台OpenStack搭建云平台，运行虚拟计算管理软件、虚拟网络管理软件、对象存储管理软件、卷存储管理软件，实现对虚拟计算、存储、网络资源的全面调度和管理；
部署人工智能网络部署AID模块、后向反馈DBP功能模块，创建网络服务神经网络系统；
虚拟网络功能通过网元管理系统EMS向数据采集分析和事件处理DCAE模块上报告警、性能业务数据；
电信云平台通过开源云平台测试仪上报虚拟计算、虚拟存储、虚拟网络相关告警、性能指标数据；
对开源管理编排平台ONAP DCAE模块进行增强，实现对虚拟网络功能告警、性能数据，以及虚拟计算、存储、网络资源告警和性能数据的形式化描述，构建张量统一表示模型ResTensor；
在人工智能网络部署AID模块中，根据告警和性能历史数据，构建转移张量TraTensor模型，预测电信云平台未来一段时间内资源利用率变化趋势；
基于网络服务部署历史数据和资源利用率变化趋势数据，构建训练样本，对AID模块进行训练，使AID模块具备网络服务部署智能；
在正式网络部署过程中，VF-C模块调用AID模块，得到部署策略，根据智能化部署策略，将虚拟网络功能分配至电信云平台。
在上述技术方案的基础上，所述将虚拟网络功能分配至电信云平台以后还包括以下步骤：
对部署效果进行评价，通过后向反馈DBP模块优化网络服务智能部署神经网络模型，以提升部署效果。
本发明还提供一种网络服务智能化部署系统，包括描述单元、趋势预测单元、智能化部署单元，其中：
描述单元用于：基于张量的虚拟化资源形式化描述方式，采用键/值来描述虚拟资源，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述；
趋势预测单元用于：基于人工智能技术和历史样本数据，计算各个虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率未来的变化趋势；
智能化部署单元包括网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块、人工智能部署AID模块、部署结果后向反馈DBF模块，在上线阶段，基于Heat模板编写虚拟网络功能描述文件，基于虚拟网络功能描述文件和虚拟云化企业路由器vCER镜像创建vCER安装包，将vCER安装包上传至服务设计和创建SDC模块，SDC模块将vCER安装包中相关数据分别发送至网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块；在设计阶段，智能化部署平台向SDC模块发起业务设计请求，SDC模块进行业务设计，设计结果保存在vCER业务模板中，SDC模块将vCER业务模板发布至SO模块；在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署，为虚拟网络功能分配合适的虚拟资源，保证虚拟网络功能正常运行。
在上述技术方案的基础上，对于虚拟化客户终端设备vCER设备，所述虚拟资源包括非业务相关和业务相关资源，非业务相关资源包括CPU利用率、控制面内存总量和内存剩余量、转发面内存总量和内存剩余量、虚拟网络接口的流入速率和流出速率、数据包丢包率、隧道流速、相关资源告警，采用键/值描述虚拟资源相关数据，基于TOSCA进行形式化处理；通信设备告警与性能相关数据采用管理信息库MIB进行描述。
在上述技术方案的基础上，所述描述单元对虚拟计算、存储、网络资源进行基于TOSCA模板的形式化描述，将TOSCA模板中的文件表示成高阶张量模型，通过资源张量ResTensor来统一形式化表示虚拟计算、存储、网络资源，张量的每一阶表示一类特定的指标，每一阶上的维度表示资源值，通过ResTensor模型，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述。
在上述技术方案的基础上，所述趋势预测单元计算各个虚拟资源的转移概率包括以下步骤：根据资源张量元素值构建状态空间，计算一步转移概率，从而求得转移张量，转移张量元素值表示从当前状态转移到下一个状态的概率值。
在上述技术方案的基础上，所述智能化部署单元在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署：AID模块接收数据中心上报的虚拟资源数据，通过人工智能模型进行分析处理，实现自动部署；DBF模块对部署进行调整，优化人工智能部署策略，让智能部署模块通过调整神经网络权重参数，以提升部署效果。
在上述技术方案的基础上，所述部署阶段具体包括以下步骤：
登录门户，在门户界面上向SO模块发起VNF实例化请求，SO模块将模板文件发布至VF-C模块，VF-C模块通知AAI进行更新；
VF-C模块将模板文件发布至Multi-VIM模块，VF-C模块通知AAI进行更新；
VF-C模块与AID/DBF交互，取得部署策略；VF-C模块通知厂商独有虚拟网络功能管理器S-VNFM实例化VNF；
Multi-VIM模块将VNF Heat模板文件发布至云平台，厂商S-VNFM控制云平台，按照Heat模板，为vCER分配虚拟资源；
云平台将VNF部署结果反馈至S-VNFM和Multi-VIM，S-VNFM将vCER实例化结果反馈至VF-C模块；云平台将资源变化通知上报VF-C模块；Multi-VIM通知AAI进行更新。
在上述技术方案的基础上，所述智能化部署单元在上线阶段，在开放网络自动化平台ONAP平台中，根据不同的业务将不同的虚拟网元包发布至不同ONAP模块。
在上述技术方案的基础上，所述智能化部署平台的搭建过程为：
基于开源平台ONAP搭建管理编排平台，运行网络服务设计创建SDC、网络服务编排SO、虚拟功能控制VF-C、数据采集分析DCAE模块；
基于开源云平台Open Stack搭建云平台，运行虚拟计算管理软件、虚拟网络管理软件、对象存储管理软件、卷存储管理软件，实现对虚拟计算、存储、网络资源的全面调度和管理；
部署人工智能网络部署AID模块、后向反馈DBP功能模块，创建网络服务神经网络系统；
虚拟网络功能通过网元管理系统EMS向数据采集分析和事件处理DCAE模块上报告警、性能业务数据；
电信云平台通过开源云平台测试仪上报虚拟计算、虚拟存储、虚拟网络相关告警、性能指标数据；
对开源管理编排平台ONAP DCAE模块进行增强，实现对虚拟网络功能告警、性能数据，以及虚拟计算、存储、网络资源告警和性能数据的形式化描述，构建张量统一表示模型ResTensor；
在人工智能网络部署AID模块中，根据告警和性能历史数据，构建转移张量TraTensor模型，预测电信云平台未来一段时间内资源利用率变化趋势；
基于网络服务部署历史数据和资源利用率变化趋势数据，构建训练样本，对AID模块进行训练，使AID模块具备网络服务部署智能；
在正式网络部署过程中，VF-C模块调用AID模块，得到部署策略，根据智能化部署策略，将虚拟网络功能分配至电信云平台。
在上述技术方案的基础上，所述智能化部署平台的搭建过程中，将虚拟网络功能分配至电信云平台以后，对部署效果进行评价，通过后向反馈DBP模块优化网络服务智能部署神经网络模型，以提升部署效果。
与现有技术相比，本发明的优点如下：
(1)本发明对电信云平台虚拟计算、虚拟存储、虚拟网络三类资源的统一形式化描述，实现对虚拟网络功能性能、告警等业务指标数据的统一形式化描述，通过智能化预测方法，对虚拟化资源利用率的变化规律进行建模，基于历史样本学习，并训练智能化部署网络模型，基于变化趋势预测结果，通过在开源软件平台ONAP上增加智能部署和后向反馈功能模块，从而高效、自动、智能地实现虚拟网络功能在电信云平台中的部署和资源分配。
(2)本发明通过资源张量ResTensor形式化描述方法实现虚拟计算、存储、网络资源的统一表示，实现虚拟网络功能告警、性能等业务侧数据的张量形式化描述。通过转移张量TraTensor实现对电信云平台资源利用趋势规律的分析，预测虚拟资源未来的变化趋势，通过历史样本数据构建虚拟网络功能部署神经网络，基于变化趋势预测结果，最终实现电信云环境中网络服务的自动、智能高效部署，为以DC(Data Center，数据中心)为中心的网络重构业务部署和虚拟网元部署提供高效智能的方法，彻底解决手工部署带来的时间长、效率低、修正慢、范围窄的问题。
附图说明
图1是本发明实施例中基于张量模型的虚拟资源形式化描述形式的示意图。
图2是本发明实施例中基于ONAP开源平台的vCER与vBras智能化部署的关键功能模块示意图。
图3是本发明实施例中基于ONAP开源平台的虚拟网络功能智能化部署的流程图。
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详细描述。
实施例1
本发明实施例1提供一种网络服务智能化部署方法，包括以下步骤：
基于张量的虚拟化资源形式化描述方式，结合面向云应用的拓扑和编排规范TOSCA模板，采用键/值来描述虚拟资源，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述；
基于人工智能技术和历史样本数据，计算各个虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率未来的变化趋势；
在上线阶段，基于Heat模板编写虚拟网络功能描述文件，基于虚拟网络功能描述文件和vCER(Virtualized Cloud Enterprise Rotuer，虚拟云化企业路由器)镜像创建vCER安装包，将vCER安装包上传至服务设计和创建SDC模块，SDC模块将vCER安装包中相关数据分别发送至网络服务编排SO模块、虚拟功能控制VF-C模块、AAI(Active andAvailable Inventory，活动和可用目录)模块；
在开放网络自动化平台ONAP平台中，根据不同的业务将不同的虚拟网元包发布至不同ONAP模块；
在设计阶段，智能化部署平台向SDC模块发起业务设计请求，SDC模块进行业务设计，设计结果保存在vCER业务模板中，SDC模块将vCER业务模板发布至SO模块；
在部署阶段，基于变化趋势预测结果，SO模块、AID模块、DBF模块共同实现智能化部署：SO模块负责具体部署，AID模块告诉SO模块将vCER部署到哪个虚拟机上，DBF模块用于调整AID策略，为虚拟网络功能分配合适的虚拟资源，保证虚拟网络功能正常运行。
实施例2
本发明实施例2提供一种网络服务智能化部署系统，包括描述单元、趋势预测单元、智能化部署单元，其中：
描述单元用于：基于张量的虚拟化资源形式化描述方式，结合面向云应用的拓扑和编排规范TOSCA模板，采用键/值来描述虚拟资源，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述；
趋势预测单元用于：基于人工智能技术和历史样本数据，计算各个虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率未来的变化趋势；
智能化部署单元包括网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块、人工智能部署AID模块、部署结果后向反馈DBF模块，在上线阶段，基于Heat模板编写虚拟网络功能描述文件，基于虚拟网络功能描述文件和虚拟云化企业路由器vCER镜像创建vCER安装包，将vCER安装包上传至服务设计和创建SDC模块，SDC模块将vCER安装包中相关数据分别发送至网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块；在开放网络自动化平台ONAP平台中，根据不同的业务将不同的虚拟网元包发布至不同ONAP模块；在设计阶段，智能化部署平台向SDC模块发起业务设计请求，SDC模块进行业务设计，设计结果保存在vCER业务模板中，SDC模块将vCER业务模板发布至SO模块；在部署阶段，基于变化趋势预测结果，SO模块、AID模块、DBF模块共同实现智能化部署：SO模块负责具体部署，AID模块告诉SO模块将vCER部署到哪个虚拟机上，DBF模块用于调整AID策略，为虚拟网络功能分配合适的虚拟资源，保证虚拟网络功能正常运行。
实施例3
在实施例1或2的基础上，对于虚拟化客户终端设备vCER设备，所述虚拟资源包括非业务相关和业务相关资源，非业务相关资源包括CPU利用率、控制面内存总量和内存剩余量、转发面内存总量和内存剩余量、虚拟网络接口的流入速率和流出速率、数据包丢包率、隧道流速、相关资源告警，采用键/值描述虚拟资源相关数据，基于TOSCA进行形式化处理；通信设备告警与性能相关数据采用管理信息库MIB进行描述。
实施例4
在实施例1或2的基础上，基于张量的虚拟化资源形式化描述方式为：对虚拟计算、存储、网络资源进行基于TOSCA模板的形式化描述，将TOSCA模板中的文件表示成高阶张量模型，通过资源张量ResTensor来统一形式化表示虚拟计算、存储、网络资源，张量的每一阶表示一类特定的指标，每一阶上的维度表示资源值，通过ResTensor模型，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述。
计算各个虚拟资源的转移概率包括以下步骤：根据资源张量元素值构建状态空间，计算一步转移概率，从而求得转移张量，转移张量元素值表示从当前状态转移到下一个状态的概率值。转移张量TraTensor的阶数是资源张量ResTensor阶数的两倍，同一类型张量阶的维度相同。
实施例5
在实施例1或2的基础上，在部署阶段，基于变化趋势预测结果，网络服务编排SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署：AID模块接收数据中心上报的虚拟资源数据，通过人工智能模型进行分析处理，处理结果通知SO模块，由SO模块实现自动部署；DBF模块对部署进行调整，优化人工智能部署策略，让智能部署模块通过调整神经网络权重参数，以提升部署效果。
部署阶段具体包括以下步骤：
登录门户，在门户界面上向SO模块发起VNF实例化请求，SO模块将模板文件发布至VF-C模块，VF-C模块通知AAI进行更新；
VF-C模块将模板文件发布至Multi-VIM模块，VF-C模块通知AAI进行更新；
VF-C模块与AID/DBF交互，取得部署策略；VF-C模块通知厂商独有虚拟网络功能管理器S-VNFM实例化VNF；
Multi-VIM模块将VNF Heat模板文件发布至云平台，厂商S-VNFM控制云平台，按照Heat模板，为vCER分配虚拟资源；
云平台将VNF部署结果反馈至S-VNFM和Multi-VIM，S-VNFM将vCER实例化结果反馈至VF-C模块；云平台将资源变化通知上报VF-C模块；Multi-VIM通知AAI进行更新。
实施例6
在实施例1或2的基础上，智能化部署平台的搭建过程为：
基于开源平台ONAP Amsterdam(阿姆斯特丹)搭建管理编排平台，运行网络服务设计创建SDC、网络服务编排SO、虚拟功能控制VF-C、数据采集分析DCAE模块；
基于开源Open Stack(开源云平台https://www.openstack.org/)搭建云平台，运行NOVA(诺瓦，虚拟计算管理软件)、Neutron(虚拟网络管理软件)、Swift(斯维夫特，对象存储管理软件)、Cinder(森德，卷存储管理软件)，实现对虚拟计算、存储、网络资源的全面调度和管理；
部署人工智能网络部署AID模块、后向反馈DBP功能模块，创建网络服务神经网络系统；
虚拟网络功能通过网元管理系统EMS向数据采集分析和事件处理DCAE模块上报告警、性能业务数据；
电信云平台通过OpenStack Ceilometer(兹米特，开源云平台测试仪)模块上报虚拟计算、虚拟存储、虚拟网络相关告警、性能指标数据；
对开源管理编排平台ONAP DCAE模块进行增强，实现对虚拟网络功能告警、性能数据，以及虚拟计算、存储、网络资源告警和性能数据的形式化描述，构建张量统一表示模型ResTensor；
在人工智能网络部署AID模块中，根据告警和性能历史数据，构建转移张量TraTensor模型，预测电信云平台未来一段时间内资源利用率变化趋势；
基于网络服务部署历史数据和资源利用率变化趋势数据，构建训练样本，对AID模块进行训练，使AID模块具备网络服务部署智能；
在正式网络部署过程中，VF-C模块调用AID模块，得到部署策略，根据智能化部署策略，将虚拟网络功能分配至电信云平台。
对部署效果进行评价，通过后向反馈DBP模块优化网络服务智能部署神经网络模型，以提升部署效果。
本发明实施例的原理详细阐述如下：
本发明实施例将网络服务智能化部署问题细化为三个子问题：
子问题一：网络功能虚拟化资源形式化描述问题；
子问题二：虚拟化资源利用率变化趋势预测问题；
子问题三：虚拟网络功能智能化自动化部署问题。
一、针对网络功能虚拟化资源形式化描述问题
虚拟网元智能部署的核心就是高效地选择虚拟计算、虚拟存储、虚拟网络资源供虚拟网元使用，因此，智能化部署方法需要统一的虚拟资源描述方式，特别是针对跨数据中心、多厂商云平台、异厂商虚拟网元的部署场景，更需要有一个统一的虚拟资源形式化描述模式。
对于虚拟化资源形式化描述，目前业界基本采用TOSCA模板描述方法，采用key/value(键/值)的方法来描述具体的虚拟资源，例如num_cpus:1(中央处理单元数量：1个)，disk_size(硬盘空间)：10GB等形式描述一个具体虚拟网元所需的cpu数量和硬盘空间数量。图1描述了一个虚拟机VM(Virtualized Machine，虚拟机)的资源形式化描述方式。对于vCER设备，虚拟资源需求包括非业务相关和业务相关资源，非业务相关资源包括CPU利用率、控制面内存总量和内存剩余量、转发面内存总量和内存剩余量、虚拟网络接口的流入速率和流出速率、数据包丢包率、隧道流速、相关资源告警等。这些虚拟资源相关数据描述统一采用key/value方式，基于TOSCA进行形式化处理。
另外，通信设备告警与性能相关数据往往采用MIB(Management InformationBase，管理信息库)库进行描述，在网络服务智能化部署实际实施过程中，需要特别关注TOSCA模版文件与传统MIB库文件的适配和对应，在虚拟资源形式化描述过程中需要考虑MIB库中的配置、性能、告警相关数据。
本发明实施例提出基于张量的虚拟化资源形式化描述方式：首先将虚拟计算、存储、网络资源进行基于TOSCA模板的形式化描述，然后将TOSCA模板中的文件表示成高阶张量模型。本发明实施例通过ResTensor(Resource Tensor：资源张量)来统一形式化表示虚拟计算、存储、网络资源，如图1所示。张量的每一阶表示一类特定的指标，如第一阶表示cpu核数，第二阶表示内存mem(Memory：内存容量)大小。每一阶上的维度表示资源值，如第一阶第五维表示cpu核数为5，第二阶第七维表示内存mem大小为7M。通过本发明实施例提出的ResTensor模型，能够将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述。
二、针对虚拟化资源利用率变化趋势预测问题
虚拟网元vCER和vBras(Virtaulized Broadband Remote Access Server，虚拟宽带远程接入服务器)智能化部署的关键是准确掌握虚拟化计算、存储、网络三类资源当前和未来的使用情况，根据虚拟网元对虚拟资源需求以及电信云平台能够提供的虚拟资源进行最优或者次优匹配。众多研究表明，许多类型的资源利用具有自相似、长相关、重尾、分形、非线性、多尺度等特性。一个虚拟网元的虚拟资源利用行为具有偶然性，但是从统计学角度来看，大量虚拟网元对虚拟计算、虚拟存储、虚拟网络资源的利用行为蕴含着必然性。大量虚拟资源利用情况的偶然性相互关联、相互制约，在整体上将表现出规律性。针对vCER和vBras虚拟网元部署，基于人工智能技术，对采集到的虚拟资源利用情况进行计算和分析，能够较全面、准确的建立数据中心虚拟资源利用情况模型，对虚拟计算、存储、网络资当前和未来一段时间的资源情况和变化趋势进行准确描述。
虚拟资源利用率预测技术的关键包括三个概念，即：自相似、分形、重尾。自相似是指数据中心计算、存储、网络资源在不同尺度下(如时间段、空间、链路、端口、业务)，其自身利用率变化性质具有某种相似性，这是时间上的相似性。分形是指一个图形的部分以某种方式与其整体本身相似，这个图形称为分形。分形概念是指数据中心虚拟资源利用率在空间上具有相似性。多重分形是许多个单一分形在空间上相互缠结、镶嵌，是单一分形的推广。对于不同数据中心之间、数据中心不同区域之间的虚拟计算、存储、网络利用率，也会存在多重关联、互相影响等情况。重尾中的尾是指随机变量的尾分布，也称作互补累积分布函数。重尾分布(Heavy-tailed distribution)是一种概率分布模型，它的尾部比指数分布要厚。在数据中心，需要通过人工智能数学模型和相关技术挖掘出虚拟计算、存储、网络三类资源利用率的重尾分布模型，准备刻画资源利用变化趋势。
本发明实施例提出转移张量模型，进行虚拟资源利用率变化趋势预测。在前面提出的形式化描述ResTensor的基础上，对各个资源的利用率进行统计，求得转移概率，从而预测未来资源变化情况。例如，在对ResTensor的第一阶进行概率统计，得到转移概率，描述在转移张量TraTensor(Transition Tensor：转移张量)的Cur1和Next1阶中。本发明中，转移张量TraTensor的阶数是资源张量ResTensor阶数的两倍，同一类型张量阶的维度相同。例如，资源张量ResTensor第一阶有七十维，则转移张量TraTensor的第一阶和第二阶也有七十维。转移张量TraTensor第一阶第七维和第二阶第九维的值为0.75，这个值表示现在CPU核数需求量为7，下一步CPU核数需求量为9的概率为75％。通过本发明提出的转移张量模型，基于历史样本数据计算各个虚拟资源的转移概率，可以统一地描述虚拟资源未来的变化趋势。
三、针对虚拟网络功能智能化自动化部署问题
本发明实施例提出基于ONAP架构的网络服务智能化部署方法，实现vCER和vBras等虚拟网络功能智能化、自动化部署，分为三个阶段，即onboarding(上线)、design(设计)、deploy(部署)。在onboarding阶段，用户将vCER包上传至SDC(Service Design andCreation，服务设计和创建)模块，其中vCER虚拟网络功能描述文件(文件名示例：fh-vcer-base-2017xxxx.yaml)基于Heat模板编写。SDC模块将vCER包中相关数据分别发送至SO模块、VF-C模块、AAI模块，在实际ONAP平台中，根据不同的业务会将不同的虚拟网元包发布至不同ONAP模块。在设计阶段，智能化部署平台向SDC模块发起业务设计请求，在SDC模块进行业务设计，SDC模块将vCER业务模板发布至SO模块；在部署阶段，由SO模块进行智能化部署。
本发明实施例通过AID(Artificial Intelligent Deployment：人工智能部署)模块、DBF(Deploy Resut Back Feedback：部署结果后向反馈)模块来完成自动化部署。在图2中，AID模块接收数据中心上报的虚拟资源数据，通过人工智能模型进行分析处理，实现自动部署。DBF模块能够对部署进行调整，优化人工智能部署策略，让智能部署模块通过调整神经网络权重参数，从而不断以提升部署效果。
整个部署阶段包括十四个步骤，如图3所示，各个流程概述如下：
1)登录门户；
2)在门户界面上向SO模块发起VNF实例化请求；
3)SO模块将模板文件发布至VF-C模块；
4)VF-C模块通知AAI进行更新；
5)VF-C模块将模板文件发布至Multi-VIM模块；
6)VF-C模块通知AAI进行更新；
7)VF-C模块与AID/DBF交互，取得部署策略；
8)VF-C模块通知S-VNFM(Special Virtualized Network Function Management，厂商独有虚拟网络功能管理器)实例化VNF；
9)Multi-VIM模块将VNF Heat模板文件发布至云平台；
10)厂商S-VNFM控制Cloud，按照Heat模板为vCER分配虚拟资源；
11)云平台将VNF部署结果反馈至S-VNFM和Multi-VIM；
12)S-VNFM将vCER实例化结果反馈至VF-C；
13)云平台将资源变化通知上报VF-C模块；
14)Multi-VIM通知AAI进行更新。
本发明实施例将人工智能技术引入到网络服务部署中，通过历史样本学习虚拟网元部署方法，当新的虚拟网元需要部署，或者需要进行自动扩缩容时，由学习到的人工智能知识自动地完成虚拟网元部署。本发明通过后向反馈机制来不断修改和提高部署能力，不断地优化部署方式，提高虚拟网络功能(如vCER和vBras)智能化部署的效果。
下面详细描述搭建智能化部署平台的过程：
基于开源平台ONAP Amsterdam搭建管理编排平台，运行网络服务设计创建SDC、网络服务编排SO、虚拟功能控制VF-C、数据采集分析DCAE等功能模块；
基于开源OpenStack搭建云平台，运行NOVA、Neutron、Swift、Cinder、Glance、Keystone等功能模块，实现对虚拟计算、存储、网络资源的全面调度和管理；
部署人工智能网络部署AID模块、后向反馈DBP功能模块，创建网络服务神经网络系统；
虚拟网络功能通过EMS(Element Management System：网元管理系统)向DCAE(Data Collection Analytics and Event：数据采集分析和事件处理)功能模块上报告警、性能等业务数据；
电信云平台通过OpenStack Ceilometer等功能模块上报虚拟计算、虚拟存储、虚拟网络等相关告警、性能指标数据；
对开源管理编排平台ONAP DCAE模块进行增强，实现对虚拟网络功能告警、性能数据，以及虚拟计算、存储、网络资源告警和性能数据的形式化描述，构建张量统一表示模型ResTensor；
在人工智能网络部署AID功能模块中，根据告警和性能历史数据，构建转移张量TraTensor模型，预测电信云平台未来一段时间内资源利用率变化趋势；
基于网络服务部署历史数据和资源利用率变化趋势数据构建训练样本，对AID模块进行训练，从而使得AID模块具备网络服务部署智能；
在正式网络部署过程中，由VF-C模块调用AID模块，得到部署策略，根据智能化部署策略，将虚拟网络功能分配至电信云平台。
对部署效果进行评价，并通过后向反馈DBP功能模块优化网络服务智能部署神经网络模型，为后续更优化、更高效部署网络服务奠定基础。
本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (18)
1.一种网络服务智能化部署方法，其特征在于，包括以下步骤：
基于张量的虚拟化资源形式化描述方式，采用键/值来描述虚拟资源，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述；
基于人工智能技术和历史样本数据，计算各个虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率未来的变化趋势；
在上线阶段，基于Heat模板编写虚拟网络功能描述文件，基于虚拟网络功能描述文件和虚拟云化企业路由器vCER镜像创建vCER安装包，将vCER安装包上传至服务设计和创建SDC模块，SDC模块将vCER安装包中相关数据分别发送至网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块；
在设计阶段，智能化部署平台向SDC模块发起业务设计请求，SDC模块进行业务设计，设计结果保存在vCER业务模板中，SDC模块将vCER业务模板发布至SO模块；
在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署，为虚拟网络功能分配合适的虚拟资源，保证虚拟网络功能正常运行。
2.如权利要求1所述的网络服务智能化部署方法，其特征在于：对于虚拟化客户终端设备vCER设备，所述虚拟资源包括非业务相关和业务相关资源，非业务相关资源包括CPU利用率、控制面内存总量和内存剩余量、转发面内存总量和内存剩余量、虚拟网络接口的流入速率和流出速率、数据包丢包率、隧道流速、相关资源告警，采用键/值描述虚拟资源相关数据，基于TOSCA进行形式化处理；通信设备告警与性能相关数据采用管理信息库MIB进行描述。
3.如权利要求1所述的网络服务智能化部署方法，其特征在于：所述基于张量的虚拟化资源形式化描述方式为：对虚拟计算、存储、网络资源进行基于TOSCA模板的形式化描述，将TOSCA模板中的文件表示成高阶张量模型，通过资源张量ResTensor来统一形式化表示虚拟计算、存储、网络资源，张量的每一阶表示一类特定的指标，每一阶上的维度表示资源值，通过ResTensor模型，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述。
4.如权利要求3所述的网络服务智能化部署方法，其特征在于：所述计算各个虚拟资源的转移概率包括以下步骤：根据资源张量元素值构建状态空间，计算一步转移概率，从而求得转移张量，转移张量元素值表示从当前状态转移到下一个状态的概率值。
5.如权利要求1所述的网络服务智能化部署方法，其特征在于：在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署，具体包括以下步骤：AID模块接收数据中心上报的虚拟资源数据，通过人工智能模型进行分析处理，处理结果通知SO模块，由SO模块完成自动部署；DBF模块对部署进行调整，优化人工智能部署策略，让AID模块通过调整神经网络权重参数，提升部署效果。
6.如权利要求5所述的网络服务智能化部署方法，其特征在于：所述部署阶段具体包括以下步骤：
登录门户，在门户界面上向SO模块发起VNF实例化请求，SO模块将模板文件发布至VF-C模块，VF-C模块通知AAI进行更新；
VF-C模块将模板文件发布至Multi-VIM模块，VF-C模块通知AAI进行更新；
VF-C模块与AID/DBF交互，取得部署策略；VF-C模块通知厂商独有虚拟网络功能管理器S-VNFM实例化VNF；
Multi-VIM模块将VNF Heat模板文件发布至云平台，厂商S-VNFM控制云平台，按照Heat模板，为vCER分配虚拟资源；
云平台将VNF部署结果反馈至S-VNFM和Multi-VIM，S-VNFM将vCER实例化结果反馈至VF-C模块；云平台将资源变化通知上报VF-C模块；Multi-VIM通知AAI进行更新。
7.如权利要求1所述的网络服务智能化部署方法，其特征在于：在所述上线阶段，在开放网络自动化平台ONAP平台中，根据不同的业务将不同的虚拟网元包发布至不同ONAP模块。
8.如权利要求7所述的网络服务智能化部署方法，其特征在于：所述智能化部署平台的搭建过程为：
基于开源平台ONAP搭建管理编排平台，运行网络服务设计创建SDC、网络服务编排SO、虚拟功能控制VF-C、数据采集分析和事件处理 DCAE模块；
基于开源云平台OpenStack搭建云平台，运行虚拟计算管理软件、虚拟网络管理软件、对象存储管理软件、卷存储管理软件，实现对虚拟计算、存储、网络资源的全面调度和管理；
部署人工智能网络部署AID模块、部署结果 后向反馈DBP功能模块，创建网络服务神经网络系统；
虚拟网络功能通过网元管理系统EMS向数据采集分析和事件处理DCAE模块上报告警、性能业务数据；
电信云平台通过开源云平台测试仪上报虚拟计算、虚拟存储、虚拟网络相关告警、性能指标数据；
对开源管理编排平台ONAP DCAE模块进行增强，实现对虚拟网络功能告警、性能数据，以及虚拟计算、存储、网络资源告警和性能数据的形式化描述，构建张量统一表示模型ResTensor；
在人工智能网络部署AID模块中，根据告警和性能历史数据，构建转移张量TraTensor模型，预测电信云平台未来一段时间内资源利用率变化趋势；
基于网络服务部署历史数据和资源利用率变化趋势数据，构建训练样本，对AID模块进行训练，使AID模块具备网络服务部署智能；
在正式网络部署过程中，VF-C模块调用AID模块，得到部署策略，根据智能化部署策略，将虚拟网络功能分配至电信云平台。
9.如权利要求8所述的网络服务智能化部署方法，其特征在于：所述将虚拟网络功能分配至电信云平台以后还包括以下步骤：
对部署效果进行评价，通过部署结果 后向反馈DBP模块优化网络服务智能部署神经网络模型，以提升部署效果。
10.一种网络服务智能化部署系统，其特征在于：包括描述单元、趋势预测单元、智能化部署单元，其中：
描述单元用于：基于张量的虚拟化资源形式化描述方式，采用键/值来描述虚拟资源，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述；
趋势预测单元用于：基于人工智能技术和历史样本数据，计算各个虚拟资源的转移概率，生成转移张量模型，根据转移张量模型预测虚拟资源利用率未来的变化趋势；
智能化部署单元包括网络服务编排SO模块、虚拟功能控制 VF-C模块、活动和可用目录AAI模块、人工智能部署AID模块、部署结果后向反馈DBF模块，在上线阶段，基于Heat模板编写虚拟网络功能描述文件，基于虚拟网络功能描述文件和虚拟云化企业路由器vCER镜像创建vCER安装包，将vCER安装包上传至服务设计和创建SDC模块，SDC模块将vCER安装包中相关数据分别发送至网络服务编排SO模块、虚拟功能控制VF-C模块、活动和可用目录AAI模块；在设计阶段，智能化部署平台向SDC模块发起业务设计请求，SDC模块进行业务设计，设计结果保存在vCER业务模板中，SDC模块将vCER业务模板发布至SO模块；在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署，为虚拟网络功能分配合适的虚拟资源，保证虚拟网络功能正常运行。
11.如权利要求10所述的网络服务智能化部署系统，其特征在于：对于虚拟化客户终端设备vCER设备，所述虚拟资源包括非业务相关和业务相关资源，非业务相关资源包括CPU利用率、控制面内存总量和内存剩余量、转发面内存总量和内存剩余量、虚拟网络接口的流入速率和流出速率、数据包丢包率、隧道流速、相关资源告警，采用键/值描述虚拟资源相关数据，基于TOSCA进行形式化处理；通信设备告警与性能相关数据采用管理信息库MIB进行描述。
12.如权利要求10所述的网络服务智能化部署系统，其特征在于：所述描述单元对虚拟计算、存储、网络资源进行基于TOSCA模板的形式化描述，将TOSCA模板中的文件表示成高阶张量模型，通过资源张量ResTensor来统一形式化表示虚拟计算、存储、网络资源，张量的每一阶表示一类特定的指标，每一阶上的维度表示资源值，通过ResTensor模型，将电信云平台中的虚拟计算、存储、网络资源实现形式化统一描述。
13.如权利要求12所述的网络服务智能化部署系统，其特征在于：所述趋势预测单元计算各个虚拟资源的转移概率包括以下步骤：根据资源张量元素值构建状态空间，计算一步转移概率，从而求得转移张量，转移张量元素值表示从当前状态转移到下一个状态的概率值。
14.如权利要求10所述的网络服务智能化部署系统，其特征在于：所述智能化部署单元在部署阶段，基于变化趋势预测结果，SO模块、人工智能部署AID模块、部署结果后向反馈DBF模块共同实现智能化部署：AID模块接收数据中心上报的虚拟资源数据，通过人工智能模型进行分析处理，实现自动部署；DBF模块对部署进行调整，优化人工智能部署策略，让智能部署模块通过调整神经网络权重参数，以提升部署效果。
15.如权利要求14所述的网络服务智能化部署系统，其特征在于：所述部署阶段具体包括以下步骤：
登录门户，在门户界面上向SO模块发起VNF实例化请求，SO模块将模板文件发布至VF-C模块，VF-C模块通知AAI进行更新；
VF-C模块将模板文件发布至Multi-VIM模块，VF-C模块通知AAI进行更新；
VF-C模块与AID/DBF交互，取得部署策略；VF-C模块通知厂商独有虚拟网络功能管理器S-VNFM实例化VNF；
Multi-VIM模块将VNF Heat模板文件发布至云平台，厂商S-VNFM控制云平台，按照Heat模板，为vCER分配虚拟资源；
云平台将VNF部署结果反馈至S-VNFM和Multi-VIM， S-VNFM将vCER实例化结果反馈至VF-C模块；云平台将资源变化通知上报VF-C模块；Multi-VIM通知AAI进行更新。
16.如权利要求10所述的网络服务智能化部署系统，其特征在于：所述智能化部署单元在上线阶段，在开放网络自动化平台ONAP平台中，根据不同的业务将不同的虚拟网元包发布至不同ONAP模块。
17.如权利要求16所述的网络服务智能化部署系统，其特征在于：所述智能化部署平台的搭建过程为：
基于开源平台ONAP搭建管理编排平台，运行网络服务设计创建SDC、网络服务编排SO、虚拟功能控制VF-C、数据采集分析和事件处理 DCAE模块；
基于开源云平台Open Stack搭建云平台，运行虚拟计算管理软件、虚拟网络管理软件、对象存储管理软件、卷存储管理软件，实现对虚拟计算、存储、网络资源的全面调度和管理；
部署人工智能网络部署AID模块、部署结果 后向反馈DBP功能模块，创建网络服务神经网络系统；
虚拟网络功能通过网元管理系统EMS向数据采集分析和事件处理DCAE模块上报告警、性能业务数据；
电信云平台通过开源云平台测试仪上报虚拟计算、虚拟存储、虚拟网络相关告警、性能指标数据；
对开源管理编排平台ONAP DCAE模块进行增强，实现对虚拟网络功能告警、性能数据，以及虚拟计算、存储、网络资源告警和性能数据的形式化描述，构建张量统一表示模型ResTensor；
在人工智能网络部署AID模块中，根据告警和性能历史数据，构建转移张量TraTensor模型，预测电信云平台未来一段时间内资源利用率变化趋势；
基于网络服务部署历史数据和资源利用率变化趋势数据，构建训练样本，对AID模块进行训练，使AID模块具备网络服务部署智能；
在正式网络部署过程中，VF-C模块调用AID模块，得到部署策略，根据智能化部署策略，将虚拟网络功能分配至电信云平台。
18.如权利要求17所述的网络服务智能化部署系统，其特征在于：所述智能化部署平台的搭建过程中，将虚拟网络功能分配至电信云平台以后，对部署效果进行评价，通过部署结果 后向反馈DBP模块优化网络服务智能部署神经网络模型，以提升部署效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810476299.6A CN108762768B (zh) | 2018-05-17 | 2018-05-17 | 网络服务智能化部署方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810476299.6A CN108762768B (zh) | 2018-05-17 | 2018-05-17 | 网络服务智能化部署方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108762768A CN108762768A (zh) | 2018-11-06 |
| CN108762768B true CN108762768B (zh) | 2021-05-18 |
Family
ID=64007034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810476299.6A Active CN108762768B (zh) | 2018-05-17 | 2018-05-17 | 网络服务智能化部署方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108762768B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111200507B (zh) * | 2018-11-19 | 2023-04-18 | 中国电信股份有限公司 | 异构虚拟网元管理方法和系统、模型驱动框架和存储介质 |
| CN111443964B (zh) * | 2019-01-17 | 2023-10-20 | 伊姆西Ip控股有限责任公司 | 更新用户界面的方法、设备和计算机可读存储介质 |
| CN109889377B (zh) * | 2019-01-29 | 2022-03-25 | 京信网络系统股份有限公司 | 基于Openstack的NFV系统中部署VNF的方法和装置 |
| CN109783110A (zh) * | 2019-02-19 | 2019-05-21 | 安徽智融景和科技有限公司 | 融媒体系统服务器部署软件系统 |
| CN110011835B (zh) * | 2019-03-14 | 2021-10-01 | 烽火通信科技股份有限公司 | 网络仿真方法及系统 |
| CN112398674B (zh) * | 2019-08-16 | 2022-08-23 | 中国移动通信集团浙江有限公司 | 虚拟网络功能描述vnfd配置模板的生成方法及装置 |
| WO2021031137A1 (zh) * | 2019-08-21 | 2021-02-25 | 深圳鲲云信息科技有限公司 | 人工智能应用开发系统、计算机设备及存储介质 |
| WO2021062740A1 (zh) * | 2019-09-30 | 2021-04-08 | 华为技术有限公司 | 一种确定设备信息的方法、装置以及系统 |
| CN112653566B (zh) | 2019-10-12 | 2023-02-10 | 华为技术有限公司 | 数据处理方法和装置 |
| CN111222046B (zh) * | 2020-01-03 | 2022-09-20 | 腾讯科技（深圳）有限公司 | 服务配置方法、用于服务配置的客户端、设备及电子设备 |
| CN113138833A (zh) * | 2020-01-19 | 2021-07-20 | 华为技术有限公司 | 一种部署虚拟机的方法及相关装置 |
| CN111459506B (zh) * | 2020-03-02 | 2023-10-13 | 平安科技（深圳）有限公司 | 深度学习平台集群的部署方法、装置、介质及电子设备 |
| CN114666223B (zh) * | 2020-12-04 | 2023-11-21 | 中国移动通信集团设计院有限公司 | 云计算资源池处理方法、装置及可读存储介质 |
| CN112819176B (zh) * | 2021-01-22 | 2022-11-08 | 烽火通信科技股份有限公司 | 一种适用于机器学习的数据管理方法和数据管理装置 |
| CN113094115B (zh) * | 2021-03-29 | 2023-05-02 | 联想(北京)有限公司 | 一种部署策略确定方法、系统及存储介质 |
| CN113608762B (zh) * | 2021-07-30 | 2024-05-17 | 烽火通信科技股份有限公司 | 一种深度学习多模型统一部署方法与装置 |
| CN113923129B (zh) * | 2021-09-08 | 2023-08-29 | 中国人民解放军战略支援部队信息工程大学 | 基于数据驱动的vnf需求预测方法及系统 |
| CN115037590B (zh) * | 2022-03-25 | 2023-08-11 | 烽火通信科技股份有限公司 | 一种网络虚拟化体系结构以及虚拟化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105337760A (zh) * | 2015-09-21 | 2016-02-17 | 浪潮集团有限公司 | 一种资源使用情况的预测方法及装置 |
| CN107431696A (zh) * | 2016-02-25 | 2017-12-01 | 华为技术有限公司 | 用于应用自动化部署的方法和云管理节点 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070094061A1 (en) * | 2005-10-12 | 2007-04-26 | Jianying Hu | Method and system for predicting resource requirements for service engagements |
| US9740480B1 (en) * | 2016-02-18 | 2017-08-22 | King Fahd University Of Petroleum And Minerals | Apparatus and methodologies for code refactoring |
-
2018
- 2018-05-17 CN CN201810476299.6A patent/CN108762768B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105337760A (zh) * | 2015-09-21 | 2016-02-17 | 浪潮集团有限公司 | 一种资源使用情况的预测方法及装置 |
| CN107431696A (zh) * | 2016-02-25 | 2017-12-01 | 华为技术有限公司 | 用于应用自动化部署的方法和云管理节点 |
Non-Patent Citations (2)
| Title |
|---|
| "On the limiting probability distribution pf a transition probability tensor";wen li等;《Linear and Multilinear Algebra》;20130319;全文 * |
| 李然." 基于K序混合马尔科夫模型的虚拟机动态整合系统研究".《中国优秀硕士学位论文全文数据库 信息科技辑》.2017,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108762768A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108762768B (zh) | 网络服务智能化部署方法及系统 | |
| Ghobaei-Arani et al. | A cost-efficient IoT service placement approach using whale optimization algorithm in fog computing environment | |
| Ghobaei‐Arani et al. | A moth‐flame optimization algorithm for web service composition in cloud computing: simulation and verification | |
| Sharma et al. | Enhancing the food locations in an artificial bee colony algorithm | |
| Ayoubi et al. | An autonomous IoT service placement methodology in fog computing | |
| CN108431796A (zh) | 分布式资源管理系统和方法 | |
| CN117909083B (zh) | 一种分布式云容器资源调度方法及系统 | |
| TW202019133A (zh) | 軟體定義驅動的ｉｃｔ服務端對端協作系統 | |
| CN105940636A (zh) | 用于云数据中心分析的技术 | |
| Gand et al. | A Fuzzy Controller for Self-adaptive Lightweight Edge Container Orchestration. | |
| Mitropoulou et al. | Anomaly detection in cloud computing using knowledge graph embedding and machine learning mechanisms | |
| CN113377503A (zh) | 一种协作式ai的任务调度方法、装置与系统 | |
| Ivanovic et al. | Efficient evolutionary optimization using predictive auto-scaling in containerized environment | |
| Cheng et al. | Design of IT infrastructure multicloud management platform based on hybrid cloud | |
| Tuli et al. | Optimizing the performance of fog computing environments using ai and co-simulation | |
| Sujaudeen et al. | TARNN: Task‐aware autonomic resource management using neural networks in cloud environment | |
| Pluzhnik et al. | Concept of feedback in future computing models to cloud systems | |
| Liu et al. | Discrete spider monkey optimization algorithm for latency‐sensitive VNF deployment and resource allocation | |
| Andrzejak et al. | On adaptability in grid systems | |
| Hegde et al. | COUNSEL: Cloud Resource Configuration Management using Deep Reinforcement Learning | |
| Chiang et al. | A biologically‐inspired multi‐agent framework for autonomic service management | |
| Rodis et al. | Unsupervised Deep Learning for Distributed Service Function Chain Embedding | |
| Florio | Design and management of distributed self-adaptive systems | |
| Ahmed et al. | Comparison of performances of Jaya algorithm and cuckoo search algorithm using benchmark functions | |
| Mahato et al. | Reliability analysis in grid system considering load |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240703 Address after: 430000 No. 6, High-tech Fourth Road, Donghu High-tech Development Zone, Wuhan City, Hubei Province Patentee after: FIBERHOME TELECOMMUNICATION TECHNOLOGIES Co.,Ltd. Country or region after: China Patentee after: Wuhan Changjiang Computing Technology Co.,Ltd. Address before: 430000 No. 6, High-tech Fourth Road, Donghu High-tech Development Zone, Wuhan City, Hubei Province Patentee before: FIBERHOME TELECOMMUNICATION TECHNOLOGIES Co.,Ltd. Country or region before: China |