CN108900358A - 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 - Google Patents

基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 Download PDF

Info

Publication number
CN108900358A
CN108900358A CN201810866073.7A CN201810866073A CN108900358A CN 108900358 A CN108900358 A CN 108900358A CN 201810866073 A CN201810866073 A CN 201810866073A CN 108900358 A CN108900358 A CN 108900358A
Authority
CN
China
Prior art keywords
migration
node
resource
network function
vnf
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
CN201810866073.7A
Other languages
English (en)
Other versions
CN108900358B (zh
Inventor
唐伦
赵培培
杨友超
马润琳
周钰
陈前斌
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.)
Shenzhen Wanzhida Technology Transfer Center Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810866073.7A priority Critical patent/CN108900358B/zh
Publication of CN108900358A publication Critical patent/CN108900358A/zh
Application granted granted Critical
Publication of CN108900358B publication Critical patent/CN108900358B/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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a 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
    • G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
    • 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
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，属于移动通信领域，包括步骤S1：针对切片网络中SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；S2：为了实现自发的VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。本发明的预测方法不仅加快了训练网络的收敛速度，而且有很好地预测效果，与迁移方法结合在一起有效地降低了系统开销和服务等级协议违例次数，提高了网络服务的性能。

Description

基于深度信念网络资源需求预测的虚拟网络功能动态迁移 方法
技术领域
本发明属于移动通信技术领域，涉及一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法。
背景技术
目前移动网络行业正在迅速向5g演进，“移动宽带增强”、“大规模物联网”、“低时延高可靠通信”三大类新应用领域将发挥重要作用。5g网络具有很高的灵活性来应对移动运营商的业务变化，特别是网络功能虚拟化概念的提出使得基础设施能够灵活地满足垂直应用需求的多样化。网络切片是无线虚拟网络中灵活配置资源的技术，可以快速部署和集中管理。它主要是借助软件定义网络(Software Defined Network,SDN)和网络功能虚拟化(Network FunctionVirtualization,NFV)技术，将有限的物理资源经过分割和重组，形成逻辑上相互独立的虚拟网络资源供各个切片网络使用，以此实现网络资源的重复高效利用，减少运营商的成本投入和运营支出，为租户提供更好质量的同时提高了网络资源的利用率。在切片网络中，每个业务请求由一些不同的虚拟网络功能(VirtualNetworkFunction,VNF)组成，这些网络功能互联起来称为服务功能链(ServiceFunctionChaining,SFC)。目前为止，大多数发明如研究SFC的部署问题，没有考虑到SFC的资源需求动态变化问题，当SFC资源需求超过底层节点的负载阈值时，会造成服务性能下降，严重者会导致SFC服务失效，这就需要实时的迁移出过载底层节点的VNF到其他负载较低的节点上来保障SFC服务的服务级别协议(Service Level Agreement,SLA)，虚拟网络功能(虚拟链路)动态迁移过程需要花费一定的时间，消耗一定的资源，这些会引起不同程度的系统开销。当底层节点(链路)已经成为资源热点时再进行虚拟网络功能的迁移，会存在滞后性的缺陷，甚至可能由于资源不够造成动态迁移的失败，并且会增大迁移过程的系统开销。所以实时迁移机制应该根据历史的资源使用状态对未来的资源需求量进行预测，提前得知潜在的资源热点进行迁移。而目前关于SFC迁移的发明忽略了这点。大多数发明没有考虑迁移的滞后性以及重构时的系统开销，方法也没有进一步优化。
为了解决迁移的滞后性问题，可行的方法是采用主动式的预测机制。已有发明证明了神经网络技术可以很好的预测资源特征与资源需求之间的关联关系，虽然表明了神经网络预测精度要高于传统统计学模型，但没有涉及神经网络在预测过程中存在的训练周期长、收敛速度慢和容易陷入局部极小点等问题。而深度信念网络(Deep BeliefNetwork,DBN)作为深度学习的经典方法之一，由受限制的玻尔兹曼机(Restricted BoltzmannMachine,RBM)概率模型堆叠而成。采用逐层训练的方式解决了其他神经网络需要大量标签数据，不具有解决小样本问题的能力以及随着层数的增加，模型会很快陷入局部最优解的问题，此外，逐层用玻尔兹曼机预训练的时候就为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。另外，由于受限玻尔兹曼机是一个生成模型，它可以充分利用大量的非标签数据，预训练的时候是对不含标签的数据本身进行建模，隐藏层训练完以后可以看做是数据的特征，这样如果将多个RBM堆叠起来就会起到提取数据非线性特征的效果。基于上述的优势，本发明采用深度信念网络来预测SFC的资源需求量。根据资源需求的非线性特性，利用其强大的特征提取能力，从大量数据中自动提取资源需求特征进行训练，并根据实时更新的数据进行在线学习，从而制定相应的迁移策略。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，该方法能够实时监控虚拟网络功能(链路)的资源使用情况，通过预测及时发现其所部署的底层节点(链路)中的资源热点，并根据提前制定的迁移策略选择合适的底层节点(链路)进行虚拟网络功能(虚拟链路)的动态迁移，从而最小化迁移带来的系统开销。
为达到上述目的，本发明提供如下技术方案：
基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，包括以下步骤：
S1：针对切片网络中SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；
S2：为了实现自发的虚拟网络功能迁移，实时监控虚拟网络功能(链路)的资源使用情况，采用基于在线学习的自适应深度信念网络预测的方法及时发现其所部署的底层节点(链路)中的资源热点；
S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；
S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。
进一步，在步骤S1中，所述综合迁移开销和带宽开销的系统开销模型包括：
把底层网络形式化为一个无向图
GS＝(NS,LS)
其中，NS表示底层节点集合，每个节点部署一个或多个VNF，LS表示所有底层链路的集合；
节点资源包括CPU资源和内存资源，每单位CPU资源代表处理一个数据包所需的资源；每个底层节点m∈NS的节点CPU容量为内存资源容量为M(m)，连接节点m和n的链路lmn的带宽为 是节点m和n之间无环路的路径集合；
SFCs链形式化成有向图，表示为
GV＝(NV,LV)
其中，NV表示所有的VNF集合，LV表示连接VNF的所有虚拟链路的集合，每个SFC由一些有序的VNF功能组成，SFC集合表示为
S＝{sq|q＝1,2,...Q}
每个SFC∈Q由和连接相邻两个VNF u和v的虚拟链路组成；SFC中每个VNFu的CPU资源需求为内存资源需求为M(u)，虚拟链路luv带宽需求为
定义一个二进制变量表示虚拟链路luv是否映射到物理链路lmn∈LS上，由于SFC是由多个有序的VNF组成的，经过每个VNF时数据流可能会被压缩或者扩张，从而所需的带宽发生变化；
所以一个VNF所需资源与其接下来的链路所需资源有以下关系：
其中Lp表示包长，tproc表示包处理时间。
进一步，在步骤S1中，所述迁移开销和带宽开销的系统开销模型为：
当底层节点(链路)资源超过阈值时，需要制定迁移虚拟网络功能(链路)的策略，即选择哪个虚拟网络功能(链路)进行迁移以及迁移到哪个位置；虚拟网络功能迁移需要完成虚拟CPU运行的上下文环境，内存的当前状态的迁移，不同虚拟网络功能的资源使用状态不同，因此应该选择合适的虚拟网络功能进行迁移，这样既能满足SFC的服务质量需求，又能减少虚拟网络功能迁移带来的系统开销。因此需要建立虚拟网络功能迁移的系统开销模型，并设计面向最小化迁移带来的系统开销的虚拟网络功能迁移算法。
定义的系统开销包括两部分：迁移开销和带宽开销；在实时迁移中，将虚拟网络功能的内存和设备运行状态复制到目标底层节点，保证虚拟网络功能所在的虚拟机不断电工作。所以虚拟网络功能迁移主要包括运行状态和内存资源的迁移，其中内存数据的迁移占了迁移数据的绝大部分，这里近似认为迁移虚拟网络功能的开销等价为迁移虚拟网络功能内存数据所占用网络带宽的时间，也即是与迁移的内存数据量和网络可用带宽有关。迁移的内存数据量越大，节点之间的可用带宽越小，迁移占用网络带宽的时间也就越长，即迁移时间越长，对网络链路正常通信的影响也越大。
这里将虚拟网络功能u从底层节点n迁移到m的迁移开销定义为：
其中Bt(d)表示t实隙底层节点m到n的路径即P(m,n)上链路d的剩余可用带宽。n表示虚拟网络功能未迁移前所在的底层节点。m表示虚拟网络功能所要迁移到的目标节点。Mt(u)表示t实隙虚拟网络功能的内存资源量。
这里定义虚拟网络功能u和v对底层节点m和n产生的带宽开销为：
其中hopt(m,n)表示t实隙底层节点m到n的最短距离即所经过的底层链路跳数。
定义将u迁移到m的带宽开销为：
进而将u迁移到m的总的系统开销为：
其中α，β为相应的系数。
所以，在t实隙时虚拟网络功能整体迁移的系统开销为：
本发明优化目标为最小化迁移带来的系统开销，表示为下式：
进一步，在步骤S2中，所述基于在线学习的深度信念网络资源需求预测的方法具体是指：
基于在线学习的深度信念网络SFC资源需求预测模型由三部分组成，依次是离线训练、在线学习和在线迁移。
在离线训练阶段，首先对SFC的CPU、内存和带宽资源需求进行特征采集，由于VNF所需的CPU资源和内存资源是相关的，所以本文提取CPU资源需求和内存资源需求作为CPU资源需求预测的特征，同理，也把CPU资源需求和内存资源需求作为内存资源需求预测的特征，而对带宽的预测可通过公式得到
这里不进行特征的采集。然后由采集的特征组成历史观察样本集合，每个样本集按照时间序列不重复的依次选取d个实隙的样本，每个样本集的样本都是不同的，对数据进行预处理后构造DBN模型对模型参数进行正向批训练以提高DBN模型的训练速度，然后进行反向微调过程，构造出最初的预测模型。
在线学习阶段是对预测模型的实时优化。这里使用离线训练的结果辅助在线学习，采用滑动窗口机制实时更新样本集，即每增加一个最新样本，就丢弃一个最旧样本，保持学习样本集大小不变，并进行DBN正向训练重新调整模型参数，使用单样本集训练方法提高DBN模型的计算效率，这时相邻样本集只有一个样本不同，然后执行反向微调过程，对模型参数进行优化更新。
最后的在线迁移阶段采用上述构造的预测模型进行SFC资源需求的预测，并根据预测的结果判断物理网络中的过载节点，制定迁移策略，进行相应的虚拟网路功能(链路)的迁移。迁移完成后，利用监测到的资源需求信息更新样本，从而为下一次的预测以及迁移提供参考。
此外，引入多任务学习MTL的模式把同一条SFC上的VNF的资源需求同时预测，在共享模型空间中反向联合微调深层产生的特征改善泛化性能，提升预测效果。并采用自适应学习率加快训练网络的收敛速度。
进一步，所述基于深度信念网络资源需求预测的方法中自适应学习率具体是指：
对于DBN，预训练阶段的学习率ε对学习过程影响很大，若ε值过小将会导致DBN模型中每层RBM很难在短时间内收敛，过大将导致RBM处于震荡状态无法达到收敛，影响DBN进行有效的特征提取。这里通过观察资源预测过程中的RBM重构误差曲线来判断当前ε是否合适，从而使得RBM根据实际训练情况自动调整学习率ε。在训练过程中，若重构误差减小则增大ε，即乘上一个大于1的数，反之则减小ε，即乘上一个小于1的数。
进一步，所述基于在线学习的自适应深度信念网络预测的方法具体步骤包括：
S21：取t实隙之前SFC中VNF大量历史的CPU资源需求和内存需求信息数据作为观测值时间序列，对样本集数据采用最大最小法进行归一化处理，即其中xu指CPU资源需求或内存资源需求xmax和xmin分别指资源特征的最大值和最小值。首先进行离线训练，这里采用批训练的方式提高学习效率，每批中按照时间顺序依次包括N个样本集，每个样本集包括d个实隙的样本数据，在正向阶段不断更新模型参数w,a,b，直到达到RBM最大迭代次数为止，最后经过BP算法反向微调得到最初的预测模型，预测出Yt+1；
S22：把监测到的SFC中的VNF在t+1时刻的实际资源需求值作为标签值输入输出神经元，采用BP算法对模型参数w,a,b进行微调以获得更优的模型参数；
S23：进行在线预测，实时更新样本集，令t＝t+1，把此时d个实隙的实际资源需求数据作为训练样本集，使用单样本集预训练的方式不断更新权重和偏置值w,a,b，直到达到RBM最大迭代次数为止；
S24：预测出Yt+1；
S25：循环执行步骤S22-S24，直到所有的测试样本都已经完成预测过程。
进一步，在步骤S3中，所述根据基于拓扑感知的动态迁移方法具体是指：
对于预测到的每个过载底层节点，为其上的每个虚拟网络功能贪心的选择目标底层节点。对于每个虚拟网络功能，利用拓扑感知方法计算其到所有满足资源约束的底层节点的系统开销，选出一个使得系统开销Ctot(u,m)最小的虚拟网络功能u迁移到目标节点m。这样通过最小化每个迁移的虚拟网络功能的系统开销来尽可能减少虚拟网络功能迁移的总开销。对于每个过载物理节点选择出系统开销最小的VNF进行迁移，直到所有的节点都不会超过资源阈值为止，最后输出相应的解。
基于拓扑感知的迁移方法主要是指：VNF应迁移到距离其邻居VNF映射节点最近的物理节点上，这里距离是指虚拟链路的重构路径长度，也即跳数。因此拓扑感知的VNF迁移模型可定义为：
其中D(m,n)表示m和n之间的最短距离，这里指满足带宽要求的链路跳数。指物理节点m的可用资源量，p(m,n)指m到n的最短路径。BS'(p(m,n))表示m到n的最短路径上的可用带宽量。
进一步，在步骤S4中，所述基于禁忌搜索的优化方法具体是指：
这里禁忌搜索主要包括初始解、邻域解、禁忌表、特赦准则和终止准则。
a)初始解：初始解的选取对于禁忌搜索算法的效率影响很大，一个好的初始解可以在很大程度上提高算法的效率，反之，差的初始解会降低算法的收敛速度。这里采用所述步骤S3中得到的最优解作为禁忌搜索的初始解。
b)邻域解：领域是在当前解的基础上按照一定的移动策略形成的新解的集合，为了增大搜索的范围，这里采用交换的移动策略。即对于过载的n个物理节点，其迁移的一个可行解为Z，通过交换得到的邻域N(Z)定义为交换任意两个物理节点上的VNF迁移顺序。并且在交换的过程中，根据系统开销最小的原则，两个物理节点上需要迁移的VNF种类可能会发生变化。通过评估当前解Z的邻域解集，选出比当前解更优的解Z'。
c)禁忌表：如果将交换两个过载物理节点上的VNF迁移顺序过后的解放到禁忌表中，这个解被称为禁忌对象，使用二维数组T(i,j)记录禁忌表。一旦被放入禁忌表中，该解在一定的迭代次数内不被搜索到，禁止在n-1迭代次数内重新回到初始状态，即n-1为禁忌长度，其中n为过载物理节点的个数。
d)特赦准则：如果一个处在禁忌表中的迁移策略相比当前最优方案Z*的系统开销还要小，则特赦该迁移策略，移除禁忌的标签，将其加入候选迁移节点。
e)终止准则：设定最优解没有变化的迭代次数作为终止准则或者达到最大的迭代步数时即停止。
本发明的有益效果在于：本发明建立了综合迁移开销和带宽开销的系统开销模型，在此基础上提出基于在线学习的深度信念网络资源需求预测方法预测未来的资源需求情况，采用自适应学习率并引入多任务学习模式优化预测模型，然后根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销，最后提出基于禁忌搜索的优化方法进一步优化迁移策略。本发明的预测方法不仅加快了训练网络的收敛速度，而且有很好地预测效果，与迁移方法结合在一起有效地降低了系统开销和服务等级协议违例次数，提高了网络服务的性能。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为可应用本发明实施例的场景例子示意图；
图2为本发明中的虚拟网络功能动态迁移流程图；
图3为本发明中基于在线学习的深度信念网络资源需求预测流程示意图；
图4为本发明中多任务SFC学习模式示意图；
图5为本发明中含两个隐藏层的DBN资源需求预测示意图；
图6为本发明中基于拓扑感知的动态迁移方法示意图；
图7为本发明中基于禁忌搜索的的优化方法示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本发明提供一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法。
图1是可应用本发明实施例的场景例子的示意图。考虑NFV编排和控制框架组成的网络功能虚拟化架构。其中底层网络的基础设施由接入网和核心网两部分组成，接入网采用新型的无线接入网C-RAN架构，接入网和核心网之间通过SDN网络连接。底层基础设施资源通过虚拟化提供给网络切片中的业务请求。端到端的SFC业务请求由不同的VNF有序的组成，根据它们的资源需求需要映射到底层网络(physical network,PN)进行服务。
通过隔离，多个VNF可以在同一个底层节点上运行，互不影响，如图1中SFC1链的VNF2和VNF3可以映射到同一底层节点上。由于经过SFC的数据流是不断变化的，为了保障它的SLA需求，需要随时间不断更新分配给SFC的资源总量，当SFC所需资源增大以至于超出其所部署的底层节点和链路的资源阈值时，易造成资源瓶颈，引起底层网络失效，从而严重影响SFC的构建成功率。所以需要迁移出该底层节点(链路)上的VNF(虚拟链路)到其他负载比较低的物理节点(链路)上。如图1中所示，SFC1中的VNF2和VNF3以及SFC2中的VNF3映射到同一节点上，当该节点在某一时刻资源需求超出阈值时，需要迁移出其上的一部分虚拟网络功能到其它合适的节点上。本发明的目标就是制定一种自发的迁移策略，实时监控虚拟网络功能(链路)的资源使用情况，通过预测及时发现其所部署的底层节点(链路)中的资源热点，并根据提前制定的迁移策略选择合适的底层节点(链路)进行虚拟网络功能(虚拟链路)的动态迁移。
图2为本发明中的虚拟网络功能动态迁移流程图。步骤如下：
步骤201：首先建立由迁移开销和带宽开销构成的系统开销模型；
步骤202：收集历史的服务功能链资源需求数据为预测做准备，并通过监控实时更新数据；
步骤203：对于收集的数据采用基于在线学习的自适应深度信念网络预测服务功能链资源需求情况，通过采用CD-K采样方法和自适应的学习率提高学习效率，缩短收敛时间；
步骤204：判断是否有底层节点资源需求超过阈值，若无，则返回步骤202；否则，继续执行步骤205；
步骤205：根据预测到的结果对过载节点执行基于拓扑感知的动态迁移方法进行迁移操作；
步骤206：以步骤205中得出的解作为初始解执行基于禁忌搜索的迁移优化方法进一步优化迁移策略，直到所有的过载节点都被处理完成后，返回步骤202进行下一实隙的迁移；
图3为本发明中基于在线学习的深度信念网络资源需求预测流程示意图。可以看出预测模型由三部分组成，依次是离线训练、在线学习和在线迁移。
在离线训练阶段，首先对SFC的CPU、内存和带宽资源需求进行特征采集，由于VNF所需的CPU资源和内存资源是相关的，所以提取CPU资源需求和内存资源需求作为CPU资源需求预测的特征，即每个样本表示为
同理，也把CPU资源需求和内存资源需求作为内存资源需求预测的特征，每个样本表示为
而对带宽的预测可通过公式得到
这里不进行特征的采集。对于每一条SFC而言，得到的历史观察样本集合表示为O＝{···Oj···}，其中第j个样本集Oj＝[Xt,Xt-1,...Xt-d+1]，d表示样本集中样本的个数，同时也指在线学习中滑动窗口的长度，表示t实隙时SFC的资源需求特征，又因为本发明中CPU和内存需求预测所取的特征是相同的，所以取其中任一即可，表示为每个样本集按照时间序列不重复的依次选取d个实隙的样本，每个样本集的样本都是不同的，对数据进行预处理后构造DBN模型对模型参数θ＝(w,a,b)进行正向批训练以提高DBN模型的训练速度，其中w,a,b分别表示相邻两层之间的连接权重、可见层的偏置值和隐藏层的偏置值。然后进行反向微调过程，构造出最初的预测模型。
在线学习阶段是对预测模型的实时优化。由于SFC的资源需求监控信息是随时间变化的，经过一段时间后，最初训练的模型对新样本的预测会出现较大的误差。因此，有必要对模型进行在线学习。这里使用离线训练的结果辅助在线学习，采用滑动窗口机制实时更新样本集，即每增加一个最新样本，就丢弃一个最旧样本，保持学习样本集大小不变，并进行DBN正向训练重新调整模型参数，不同于离线阶段的批训练方式，这里使用单样本集训练方法提高DBN模型的计算效率，这时相邻样本集只有一个样本不同，然后执行反向微调过程，对模型参数进行优化更新。
最后的在线迁移阶段采用上述构造的预测模型进行SFC资源需求的预测，并根据预测的结果判断物理网络中的过载节点，制定迁移策略，进行相应的虚拟网路功能(链路)的迁移。迁移完成后，利用监测到的资源需求信息更新样本，从而为下一次的预测以及迁移提供参考。
图4为本发明中多任务SFC学习模式示意图。多任务学习MTL把多个相关的任务放在一起学习，以互惠为目的，可以通过共享相关任务中包含的信息来提高一项任务的学习效果，来自一项任务的信息帮助更有效地学习相关任务。各个任务之间的模型空间(训练模型)是共享的，具有更好的泛化效果。如图中所示，它把同一条SFC上的VNF的资源需求同时预测，在共享模型空间中反向联合微调深层产生的特征，可以有更好的预测效果，并改善泛化性能。
图5为本发明中含两个隐藏层的DBN资源需求预测示意图。在多任务SFC学习模式的基础上，本发明的DBN资源需求预测模型是由多层RBM和一层多任务回归模型堆叠而成。模型训练过程包括以下步骤：
把SFC中VNF的CPU和内存资源需求数据构成的训练样本集合[Xt,Xt-1,...Xt-d+1]按照时间顺序依次输入可见层神经元v通过非监督贪婪逐层方式训练第一个RBM，使得隐藏层的神经元可以提取输入样本数据当中拥有的重要特征。
RBM预训练阶段采用CD-k算法分别进行正向参数训练与可见层重构，经过若干轮的参数迭代调整，得到初步的模型参数，然后把学习到的数据特征用作下一层的输入数据，紧接着训练第2个RBM，直到DBN中所有的RBM层都训练完成为止。
把RBM层训练得到的特征作为多任务回归层的输入进行预测，回归层采用sigmoid回归，这样整个结构可以看作一个完整的神经网络结构，一旦在正向无监督阶段的最佳参数(权重w和偏置值a,b)已经确定，一个有监督的微调阶段就被执行，使用BP算法对层与层之间的权重和偏置值进行调整，这是通过设置标签值来完成的，它表示SFC中每个VNF真实的CPU资源需求和内存资源需求，DBN的BP算法只需要在微调优化过程中对已知权值参数空间进行一个局部的搜索，克服了传统的BP神经网络因随机化权值参数而容易陷入局部最小和参数寻优时间过长的缺点。
最后得到预测输出Yt+1，即SFC中每个VNF的CPU资源需求和内存资源需求
图6为本发明中基于拓扑感知的动态迁移方法示意图。步骤如下：
步骤601：输入过载的物理节点Ss以及它上面的VNF集合VNFList；
步骤602：判断过载物理节点是否存在，若不存在就结束；否则就执行步骤603；
步骤603：对过载物理节点上的VNF分别计算其迁移到其他每个符合阈值要求的物理节点上的系统开销的最小值；
步骤604：选择该节点上迁移系统开销最小的VNF进行迁移，迁移的目标物理节点即是开销最小值对应的物理节点；
步骤605：判断该物理节点是否仍过载，若是，则返回步骤603继续执行选择开销次小的VNF进行迁移；否则，则返回步骤603继续处理下一个过载物理节点。
图7为本发明中基于禁忌搜索的的优化方法示意图。步骤如下：
步骤701：把初始解定为基于拓扑感知的迁移方法得出的解，将当前解作为最优解，置空禁忌表，即初始解:Z＝Z0，Z*＝Z0，T＝φ,定义特赦值为A(Z*)＝Ctot(Z*)；
步骤702：判断是否满足终止准则，若是则该方法执行完毕，输出最优解；否则执行步骤703；
步骤703：产生N(Z)的一个候选集W，在候选集中选取最优解X*，更新Ctot(X*)。计算过程中需要遵循系统开销最小的原则，重新确定交换顺序的两个过载物理节点上需要迁移的VNF；
步骤704：进行破禁检查。If Ctot(X)<A(Z*),X∈T且Ctot(X)<Ctot(X*)，令X*＝X，更新Ctot(X*)endif；
步骤705：选优并记录历史最好点，更新特赦值。If Ctot(X*)<Ctot(Z*)Z*＝X*,Ctot(Z*)＝Ctot(X*),A(Z*)＝Ctot(Z*)endif；
步骤706：更新禁忌表T，T＝T∪X*；
步骤707：更新当前解，令Z＝X*，返回步骤702继续执行。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (10)

1.基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：包括以下步骤：
S1：针对切片网络中服务功能链SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；
S2：为了实现自发的虚拟网络功能VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应深度信念网络DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；
S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；
S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。
2.根据权利要求1所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：
在步骤S1中，所述综合迁移开销和带宽开销的系统开销模型包括：
把底层网络形式化为一个无向图
GS＝(NS,LS)
其中，NS表示底层节点集合，每个节点部署一个或多个VNF，LS表示所有底层链路的集合；
节点资源包括CPU资源和内存资源，每单位CPU资源代表处理一个数据包所需的资源；每个底层节点m∈NS的节点CPU容量为内存资源容量为M(m)，连接节点m和n的链路lmn的带宽为 是节点m和n之间无环路的路径集合；
SFC链形式化成有向图，表示为
GV＝(NV,LV)
其中，NV表示所有的VNF集合，LV表示连接VNF的所有虚拟链路的集合，每个SFC由一些有序的VNF功能组成，SFC集合表示为
S＝{sq|q＝1,2,...Q}
每个SFC∈Q由和连接相邻两个VNF u和v的虚拟链路组成；SFC中每个VNFu的CPU资源需求为内存资源需求为M(u)，虚拟链路luv带宽需求为
定义一个二进制变量表示虚拟链路luv是否映射到物理链路lmn∈LS上，由于SFC是由多个有序的VNF组成的，经过每个VNF时数据流可能会被压缩或者扩张，从而所需的带宽发生变化；
一个VNF所需资源与其接下来的链路所需资源有以下关系：
其中Lp表示包长，tproc表示包处理时间。
3.根据权利要求2所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S1中，系统开销包括迁移开销和带宽开销，近似认为迁移虚拟网络功能的开销等价为迁移虚拟网络功能内存数据所占用网络带宽的时间，将虚拟网络功能u从底层节点n迁移到m的迁移开销定义为：
其中Bt(d)表示t实隙底层节点m到n的路径即P(m,n)上链路d的剩余可用带宽；n表示虚拟网络功能未迁移前所在的底层节点；m表示虚拟网络功能所要迁移到的目标节点；Mt(u)表示t实隙虚拟网络功能的内存资源量；
定义虚拟网络功能u和v对底层节点m和n产生的带宽开销为：
其中hopt(m,n)表示t实隙底层节点m到n的最短距离即所经过的底层链路跳数；
定义将u迁移到m的带宽开销为：
进而将u迁移到m的总的系统开销为：
其中α，β为相应的系数；
所以，在t实隙时虚拟网络功能整体迁移的系统开销为：
本发明优化目标为最小化迁移带来的系统开销，表示为下式：
4.根据权利要求3所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S1中，当底层节点或链路的资源超过阈值时，需要制定迁移虚拟网络功能或链路的策略，具体如下：
考虑的性能参数包括节点的CPU资源、内存资源和链路资源，综合对这三个指标的历史数据的监测，通过基于在线学习的自适应深度信念网络预测的方法来确定该底层节点或链路是否负载过重，然后根据预测结果进行相应的迁移动作，从而避免因为资源瓶颈而造成的SFC服务性能下降，根据资源需求的差异性，以多阈值触发方式确定需要作出迁移动作的底层节点或链路以及需要迁移的虚拟网络功能或链路；设CPU、内存和带宽的资源利用率阈值分别是rC,rM,rB，若使用t实隙及其之前的历史数据预测到t+1实隙的资源需求情况超过阈值，自动触发虚拟网络功能或链路迁移，使得迁移后满足底层节点和链路的阈值要求。
5.根据权利要求1所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S2中，所述基于在线学习的自适应深度信念网络预测的方法具体是指：
基于在线学习的深度信念网络SFC资源需求预测模型包括离线训练、在线学习和在线迁移；
在离线训练阶段，首先对SFC的CPU、内存和带宽资源需求进行特征采集，提取CPU资源需求和内存资源需求作为CPU资源需求预测的特征，即每个样本表示为
并把CPU资源需求和内存资源需求作为内存资源需求预测的特征，每个样本表示为
而对带宽的预测通过公式得到
对于每一条SFC而言，得到的历史观察样本集合表示为O＝{···Oj···}，其中第j个样本集Oj＝[Xt,Xt-1,...Xt-d+1]，d表示样本集中样本的个数，同时也指在线学习中滑动窗口的长度，表示t实隙时SFC的资源需求特征，每个样本集按照时间序列不重复的依次选取d个实隙的样本，每个样本集的样本都是不同的，对数据进行预处理后构造DBN模型对模型参数θ＝(w,a,b)进行正向批训练以提高DBN模型的训练速度，其中w,a,b分别表示相邻两层之间的连接权重、可见层的偏置值和隐藏层的偏置值；然后进行反向微调过程，构造出最初的预测模型；
在线学习阶段是对预测模型的实时优化，这里使用离线训练的结果辅助在线学习，采用滑动窗口机制实时更新样本集，即每增加一个最新样本，就丢弃一个最旧样本，保持学习样本集大小不变，并进行DBN正向训练重新调整模型参数，使用单样本集训练方法提高DBN模型的计算效率，这时相邻样本集只有一个样本不同，然后执行反向微调过程，对模型参数进行优化更新；
最后的在线迁移阶段采用上述构造的预测模型进行SFC资源需求的预测，并根据预测的结果判断物理网络中的过载节点，制定迁移策略，进行相应的虚拟网路功能或链路的迁移；迁移完成后，利用监测到的资源需求信息更新样本，从而为下一次的预测以及迁移提供参考；
此外引入多任务学习MTL的模式把同一条SFC上的VNF的资源需求同时预测，在共享模型空间中反向联合微调深层产生的特征改善泛化性能，提升预测效果，并采用自适应学习率加快训练网络的收敛速度。
6.根据权利要求5所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：所述自适应学习率是指：
通过观察资源预测过程中的RBM重构误差曲线来判断当前学习率ε是否合适，从而使得RBM根据实际训练情况自动调整学习率ε，在训练过程中，若重构误差减小则增大ε，即乘上一个大于1的数，反之则减小ε，即乘上一个小于1的数。
7.根据权利要求1所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S3中，所述基于拓扑感知的动态迁移方法是指：
对于预测到的每个过载底层节点，为其上的每个虚拟网络功能贪心地选择目标底层节点；对于每个虚拟网络功能，利用拓扑感知方法计算其到所有满足资源约束的底层节点的系统开销，选出一个使得系统开销Ctot(u,m)最小的虚拟网络功能u迁移到目标节点m，这样通过最小化每个迁移的虚拟网络功能的系统开销来尽可能减少虚拟网络功能迁移的总开销，对于每个过载物理节点选择出系统开销最小的VNF进行迁移，直到所有的节点都不会超过资源阈值为止，最后输出相应的解；
VNF应迁移到距离其邻居VNF映射节点最近的物理节点上，所述距离是指虚拟链路的重构路径长度，也即跳数，因此拓扑感知的VNF迁移模型定义为：
其中D(m,n)表示m和n之间的最短距离，这里指满足带宽要求的链路跳数，指物理节点m的可用资源量，p(m,n)指m到n的最短路径，BS'(p(m,n))表示m到n的最短路径上的可用带宽量。
8.根据权利要求7所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S3中，所述基于拓扑感知的动态迁移方法包括以下步骤：
S31：输入过载的物理节点Ss以及它上面的VNF集合VNFList；
S32：判断过载物理节点是否存在，若不存在就结束；否则就执行步骤S33；
S33：对过载物理节点上的VNF分别计算其迁移到其他每个符合阈值要求的物理节点上的系统开销的最小值；
S34：选择该节点上迁移系统开销最小的VNF进行迁移，迁移的目标物理节点即是开销最小值对应的物理节点；
S35：判断该物理节点是否仍过载，若是，则返回步骤S33继续执行选择开销次小的VNF进行迁移；否则，则返回步骤S33继续处理下一个过载物理节点。
9.根据权利要求1所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S4中，所述基于禁忌搜索的优化方法是指：
这里禁忌搜索包括初始解、邻域解、禁忌表、特赦准则和终止准则；
a)初始解：采用上述步骤S3中得到的最优解作为禁忌搜索的初始解提高算法的效率；
b)邻域解：领域是在当前解的基础上按照一定的移动策略形成的新解的集合，这里采用交换的移动策略，即对于过载的n个物理节点，其迁移的一个可行解为Z，通过交换得到的邻域N(Z)定义为交换任意两个物理节点上的VNF迁移顺序，并且在交换的过程中，根据系统开销最小的原则，两个物理节点上需要迁移的VNF种类可能会发生变化，通过评估当前解Z的邻域解集，选出比当前解更优的解Z'；
c)禁忌表：如果将交换两个过载物理节点上的VNF迁移顺序过后的解放到禁忌表中，这个解被称为禁忌对象，使用二维数组T(i,j)记录禁忌表，一旦被放入禁忌表中，该解在一定的迭代次数内不被搜索到，禁止在n-1迭代次数内重新回到初始状态，即n-1为禁忌长度，其中n为过载物理节点的个数；
d)特赦准则：如果一个处在禁忌表中的迁移策略相比当前最优方案Z*的系统开销还要小，则特赦该迁移策略，移除禁忌的标签，将其加入候选迁移节点；
e)终止准则：设定最优解没有变化的迭代次数作为终止准则或者达到最大的迭代步数时即停止。
10.根据权利要求9所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S4中，所述基于禁忌搜索的优化方法包括以下步骤：
S41：把初始解定为基于拓扑感知的迁移方法得出的解，将当前解作为最优解，置空禁忌表，即初始解：Z＝Z0，Z*＝Z0，T＝φ，定义特赦值为A(Z*)＝Ctot(Z*)；
S42：判断是否满足终止准则，若是则该方法执行完毕，输出最优解；否则执行步骤S43；
S43：产生N(Z)的一个候选集W，在候选集中选取最优解X*，更新Ctot(X*)，计算过程中需遵循系统开销最小的原则，重新确定交换顺序的两个过载物理节点上需要迁移的VNF；
S44：进行破禁检查，如果Ctot(X)<A(Z*),X∈T且Ctot(X)<Ctot(X*)，令X*＝X，更新Ctot(X*)；
S45：选优并记录历史最好点，更新特赦值，即如果Ctot(X*)<Ctot(Z*)，Z*＝X*,Ctot(Z*)＝Ctot(X*),A(Z*)＝Ctot(Z*)；
S46：更新禁忌表T，T＝T∪X*；
S47：更新当前解，令Z＝X*，返回步骤S42继续执行。
CN201810866073.7A 2018-08-01 2018-08-01 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 Active CN108900358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810866073.7A CN108900358B (zh) 2018-08-01 2018-08-01 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810866073.7A CN108900358B (zh) 2018-08-01 2018-08-01 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法

Publications (2)

Publication Number Publication Date
CN108900358A true CN108900358A (zh) 2018-11-27
CN108900358B CN108900358B (zh) 2021-05-04

Family

ID=64352846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810866073.7A Active CN108900358B (zh) 2018-08-01 2018-08-01 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法

Country Status (1)

Country Link
CN (1) CN108900358B (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828829A (zh) * 2019-01-22 2019-05-31 重庆邮电大学 一种基于灾难预警时间的虚拟机快速撤离方法
CN109960573A (zh) * 2018-12-29 2019-07-02 天津南大通用数据技术股份有限公司 一种基于智能感知的跨域计算任务调度方法及系统
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
CN110365514A (zh) * 2019-05-24 2019-10-22 北京邮电大学 基于强化学习的sdn多级虚拟网络映射方法和装置
CN110971451A (zh) * 2019-11-13 2020-04-07 国网河北省电力有限公司雄安新区供电公司 Nfv资源分配方法
CN111274230A (zh) * 2020-03-26 2020-06-12 北京奇艺世纪科技有限公司 数据迁移的管理方法、装置、设备及存储介质
CN111314235A (zh) * 2020-02-19 2020-06-19 广东技术师范大学 一种基于虚拟网络功能资源需求预测的网络延时优化方法
CN111526070A (zh) * 2020-04-29 2020-08-11 重庆邮电大学 一种基于预测的服务功能链故障检测方法
CN111556173A (zh) * 2020-06-24 2020-08-18 中国电子科技集团公司第五十四研究所 一种基于强化学习的服务链映射方法
CN111638988A (zh) * 2019-04-28 2020-09-08 上海伽易信息技术有限公司 一种基于深度学习的云主机故障智能预测方法
CN111797289A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型处理方法、装置、存储介质和电子设备
CN111884854A (zh) * 2020-07-29 2020-11-03 中国人民解放军空军工程大学 基于多模式混合预测的虚拟网络流量迁移方法
CN112613230A (zh) * 2020-12-15 2021-04-06 云南电网有限责任公司 基于神经网络的网络切片资源动态划分方法及装置
CN113015196A (zh) * 2021-02-23 2021-06-22 重庆邮电大学 一种基于状态感知的网络切片故障愈合方法
CN113098707A (zh) * 2021-03-16 2021-07-09 重庆邮电大学 边缘网络中一种虚拟网络功能需求预测方法
CN113225211A (zh) * 2021-04-27 2021-08-06 中国人民解放军空军工程大学 细粒度的服务功能链扩展方法
CN113254213A (zh) * 2021-06-08 2021-08-13 苏州浪潮智能科技有限公司 一种服务的计算资源配置方法、系统及装置
CN113676955A (zh) * 2021-07-20 2021-11-19 东北大学 5g/b5g环境下的虚拟网络功能通用迁移方法
CN113923129A (zh) * 2021-09-08 2022-01-11 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
CN114118567A (zh) * 2021-11-19 2022-03-01 国网河南省电力公司经济技术研究院 一种基于双通路融合网络的电力业务带宽预测方法
CN114172820A (zh) * 2021-11-26 2022-03-11 广东技术师范大学 跨域sfc动态部署方法、装置、计算机设备及存储介质
CN114666224A (zh) * 2020-12-08 2022-06-24 中移动信息技术有限公司 业务资源容量动态分配方法、装置、设备及存储介质
CN115242630A (zh) * 2021-04-23 2022-10-25 中国移动通信集团四川有限公司 一种5g网络切片的编排方法、装置及电子设备
CN115361284A (zh) * 2022-06-22 2022-11-18 国家电网有限公司信息通信分公司 一种基于sdn的虚拟网络功能的部署调整方法
CN115361726A (zh) * 2022-05-17 2022-11-18 电子科技大学 一种网络切片智能接入控制方法及系统
CN115543639A (zh) * 2022-12-01 2022-12-30 阿里云计算有限公司 分布式执行深度学习任务的优化方法和分布式系统
CN115913991A (zh) * 2022-11-15 2023-04-04 中国联合网络通信集团有限公司 业务数据预测方法、装置、电子设备及存储介质
CN116137593A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN116662010A (zh) * 2023-06-14 2023-08-29 肇庆学院 基于分布式系统环境下的动态资源分配方法及系统
CN117331687A (zh) * 2023-09-21 2024-01-02 重庆数智融合创新科技有限公司 基于5g确定性网络的虚拟机资源分配方法及系统
CN117454124A (zh) * 2023-12-26 2024-01-26 山东大学 一种基于深度学习的船舶运动预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203506A (zh) * 2016-07-11 2016-12-07 上海凌科智能科技有限公司 一种基于深度学习技术的行人检测方法
CN106997474A (zh) * 2016-12-29 2017-08-01 南京邮电大学 一种基于深度学习的图节点多标签分类方法
WO2018035073A1 (en) * 2016-08-17 2018-02-22 University Of Pittsburgh-Of The Commonwealth System Of Higher Education Deep learning for classification of swallows
CN108260169A (zh) * 2018-01-26 2018-07-06 重庆邮电大学 一种基于QoS保障的服务功能链动态部署方法
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203506A (zh) * 2016-07-11 2016-12-07 上海凌科智能科技有限公司 一种基于深度学习技术的行人检测方法
WO2018035073A1 (en) * 2016-08-17 2018-02-22 University Of Pittsburgh-Of The Commonwealth System Of Higher Education Deep learning for classification of swallows
CN106997474A (zh) * 2016-12-29 2017-08-01 南京邮电大学 一种基于深度学习的图节点多标签分类方法
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及系统
CN108260169A (zh) * 2018-01-26 2018-07-06 重庆邮电大学 一种基于QoS保障的服务功能链动态部署方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAV GUPTA: "Fault and Performance Management in Multi-Cloud Based NFV Using Shallow and Deep Predictive Structures", 《IEEE》 *
RASHID MIJUMBI: "Topology-Aware Prediction of Virtual Network Function Resource Requirements", 《IEEE》 *
李志义: "基于表示学习的跨模态检索模型与特征抽取研究综述", 《情报学报》 *

Cited By (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960573A (zh) * 2018-12-29 2019-07-02 天津南大通用数据技术股份有限公司 一种基于智能感知的跨域计算任务调度方法及系统
CN109960573B (zh) * 2018-12-29 2021-01-08 天津南大通用数据技术股份有限公司 一种基于智能感知的跨域计算任务调度方法及系统
CN109828829B (zh) * 2019-01-22 2022-10-18 重庆邮电大学 一种基于灾难预警时间的虚拟机快速撤离方法
CN109828829A (zh) * 2019-01-22 2019-05-31 重庆邮电大学 一种基于灾难预警时间的虚拟机快速撤离方法
CN111797289A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型处理方法、装置、存储介质和电子设备
CN111638988A (zh) * 2019-04-28 2020-09-08 上海伽易信息技术有限公司 一种基于深度学习的云主机故障智能预测方法
CN111638988B (zh) * 2019-04-28 2023-05-12 上海伽易信息技术有限公司 一种基于深度学习的云主机故障智能预测方法
CN110275758B (zh) * 2019-05-09 2022-09-30 重庆邮电大学 一种虚拟网络功能智能迁移方法
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
CN110365514B (zh) * 2019-05-24 2020-10-16 北京邮电大学 基于强化学习的sdn多级虚拟网络映射方法和装置
CN110365514A (zh) * 2019-05-24 2019-10-22 北京邮电大学 基于强化学习的sdn多级虚拟网络映射方法和装置
CN110971451B (zh) * 2019-11-13 2022-07-26 国网河北省电力有限公司雄安新区供电公司 Nfv资源分配方法
CN110971451A (zh) * 2019-11-13 2020-04-07 国网河北省电力有限公司雄安新区供电公司 Nfv资源分配方法
CN111314235B (zh) * 2020-02-19 2023-08-11 广东技术师范大学 一种基于虚拟网络功能资源需求预测的网络延时优化方法
CN111314235A (zh) * 2020-02-19 2020-06-19 广东技术师范大学 一种基于虚拟网络功能资源需求预测的网络延时优化方法
CN111274230B (zh) * 2020-03-26 2024-03-08 北京奇艺世纪科技有限公司 数据迁移的管理方法、装置、设备及存储介质
CN111274230A (zh) * 2020-03-26 2020-06-12 北京奇艺世纪科技有限公司 数据迁移的管理方法、装置、设备及存储介质
CN111526070A (zh) * 2020-04-29 2020-08-11 重庆邮电大学 一种基于预测的服务功能链故障检测方法
CN111526070B (zh) * 2020-04-29 2022-06-03 重庆邮电大学 一种基于预测的服务功能链故障检测方法
CN111556173B (zh) * 2020-06-24 2022-03-22 中国电子科技集团公司第五十四研究所 一种基于强化学习的服务链映射方法
CN111556173A (zh) * 2020-06-24 2020-08-18 中国电子科技集团公司第五十四研究所 一种基于强化学习的服务链映射方法
CN111884854A (zh) * 2020-07-29 2020-11-03 中国人民解放军空军工程大学 基于多模式混合预测的虚拟网络流量迁移方法
CN114666224A (zh) * 2020-12-08 2022-06-24 中移动信息技术有限公司 业务资源容量动态分配方法、装置、设备及存储介质
CN114666224B (zh) * 2020-12-08 2024-09-17 中移动信息技术有限公司 业务资源容量动态分配方法、装置、设备及存储介质
CN112613230A (zh) * 2020-12-15 2021-04-06 云南电网有限责任公司 基于神经网络的网络切片资源动态划分方法及装置
CN113015196A (zh) * 2021-02-23 2021-06-22 重庆邮电大学 一种基于状态感知的网络切片故障愈合方法
CN113098707A (zh) * 2021-03-16 2021-07-09 重庆邮电大学 边缘网络中一种虚拟网络功能需求预测方法
CN115242630A (zh) * 2021-04-23 2022-10-25 中国移动通信集团四川有限公司 一种5g网络切片的编排方法、装置及电子设备
CN115242630B (zh) * 2021-04-23 2023-10-27 中国移动通信集团四川有限公司 一种5g网络切片的编排方法、装置及电子设备
CN113225211B (zh) * 2021-04-27 2022-09-02 中国人民解放军空军工程大学 细粒度的服务功能链扩展方法
CN113225211A (zh) * 2021-04-27 2021-08-06 中国人民解放军空军工程大学 细粒度的服务功能链扩展方法
CN113254213A (zh) * 2021-06-08 2021-08-13 苏州浪潮智能科技有限公司 一种服务的计算资源配置方法、系统及装置
CN113254213B (zh) * 2021-06-08 2021-10-15 苏州浪潮智能科技有限公司 一种服务的计算资源配置方法、系统及装置
CN113676955A (zh) * 2021-07-20 2021-11-19 东北大学 5g/b5g环境下的虚拟网络功能通用迁移方法
CN113923129A (zh) * 2021-09-08 2022-01-11 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
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
CN114118567A (zh) * 2021-11-19 2022-03-01 国网河南省电力公司经济技术研究院 一种基于双通路融合网络的电力业务带宽预测方法
CN114172820A (zh) * 2021-11-26 2022-03-11 广东技术师范大学 跨域sfc动态部署方法、装置、计算机设备及存储介质
CN114172820B (zh) * 2021-11-26 2024-03-05 广东技术师范大学 跨域sfc动态部署方法、装置、计算机设备及存储介质
CN115361726A (zh) * 2022-05-17 2022-11-18 电子科技大学 一种网络切片智能接入控制方法及系统
CN115361726B (zh) * 2022-05-17 2024-03-01 电子科技大学 一种网络切片智能接入控制方法及系统
CN115361284B (zh) * 2022-06-22 2023-12-05 国家电网有限公司信息通信分公司 一种基于sdn的虚拟网络功能的部署调整方法
CN115361284A (zh) * 2022-06-22 2022-11-18 国家电网有限公司信息通信分公司 一种基于sdn的虚拟网络功能的部署调整方法
CN115913991A (zh) * 2022-11-15 2023-04-04 中国联合网络通信集团有限公司 业务数据预测方法、装置、电子设备及存储介质
CN115543639B (zh) * 2022-12-01 2023-04-28 阿里云计算有限公司 分布式执行深度学习任务的优化方法和分布式系统
CN115543639A (zh) * 2022-12-01 2022-12-30 阿里云计算有限公司 分布式执行深度学习任务的优化方法和分布式系统
CN116137593A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN116662010A (zh) * 2023-06-14 2023-08-29 肇庆学院 基于分布式系统环境下的动态资源分配方法及系统
CN116662010B (zh) * 2023-06-14 2024-05-07 肇庆学院 基于分布式系统环境下的动态资源分配方法及系统
CN117331687A (zh) * 2023-09-21 2024-01-02 重庆数智融合创新科技有限公司 基于5g确定性网络的虚拟机资源分配方法及系统
CN117454124A (zh) * 2023-12-26 2024-01-26 山东大学 一种基于深度学习的船舶运动预测方法及系统
CN117454124B (zh) * 2023-12-26 2024-03-29 山东大学 一种基于深度学习的船舶运动预测方法及系统

Also Published As

Publication number Publication date
CN108900358B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN108900358A (zh) 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法
Saeik et al. Task offloading in Edge and Cloud Computing: A survey on mathematical, artificial intelligence and control theory solutions
Dolati et al. DeepViNE: Virtual network embedding with deep reinforcement learning
CN113490254B (zh) 一种基于联邦学习双向gru资源需求预测的vnf迁移方法
WO2023040022A1 (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN113794494B (zh) 一种面向低轨卫星网络的边缘计算系统及计算卸载优化方法
CN108111335B (zh) 一种调度和链接虚拟网络功能的方法及系统
CN112866015B (zh) 一种基于数据中心网络流量预测与学习的智能节能控制方法
CN112486690A (zh) 一种适用于工业物联网的边缘计算资源分配方法
Liu Intelligent routing based on deep reinforcement learning in software-defined data-center networks
CN116137593B (zh) 数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN114205251A (zh) 基于时空特征的交换机链路资源预测方法
Moon et al. Smart manufacturing scheduling system: DQN based on cooperative edge computing
Suzuki et al. Multi-agent deep reinforcement learning for cooperative offloading in cloud-edge computing
Xiang et al. Resource calendaring for mobile edge computing: centralized and decentralized optimization approaches
Theodoropoulos et al. GNOSIS: Proactive image placement using graph neural networks & deep reinforcement learning
Hojeij et al. Dynamic placement of O-CU and O-DU functionalities in open-ran architecture
Xiao et al. A sub-action aided deep reinforcement learning framework for latency-sensitive network slicing
Liu et al. Load balancing inside programmable data planes based on network modeling prediction using a GNN with network behaviors
US20220051135A1 (en) Load balancing using data-efficient learning
Zhong et al. Slice allocation of 5G network for smart grid with deep reinforcement learning ACKTR
CN115499511B (zh) 一种基于时空图神经网络负载预测的微服务主动伸缩方法
Han et al. Multi-SP Network Slicing Parallel Relieving Edge Network Conflict
Cui et al. Resource-Efficient DNN Training and Inference for Heterogeneous Edge Intelligence in 6G
Qian et al. A Reinforcement Learning-based Orchestrator for Edge Computing Resource Allocation in Mobile Augmented Reality Systems

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: 20240208

Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Patentee after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd.

Country or region after: China

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China