CN109495402B - 网络功能虚拟化的物理层资源最小化的资源优化方法 - Google Patents

Abstract

本公开描述了一种网络功能虚拟化的物理层资源最小化的资源优化方法，其包括：网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，逻辑层包括逻辑节点和控制器，物理层包括物理节点；逻辑节点和控制器通过相应的物理节点经过正交信道向基站发送信息信号；基站基于信息信号计算每个逻辑节点和每个控制器的有效载荷比特数、信道使用数量、发射功率、接收信噪比、吞吐量和总发射能量；并且当第三数量、有效载荷比特数、接收信噪比、第一吞吐量、第二吞吐量、第一总发射能量和第二总发射能量满足相应要求且逻辑节点和控制器满足超可靠性要求时，管理编排系统基于混合优化算法自适应地分配发射功率和信道使用数量，以使物理层资源最小化。

Description

网络功能虚拟化的物理层资源最小化的资源优化方法

技术领域

本公开涉及网络虚拟化技术领域，具体涉及一种网络功能虚拟化的物理层资源最小化的资源优化方法。

背景技术

随着终端用户对具有更多样化的高数据速率的服务的要求持续增加，电信服务提供商(Telecommunications service provider，TSP)必须相应地且持续地购买、存储和操作新的物理设备。这不仅要求操作和管理该设备的技术人员具有快速多变的技能，而且还需要密集部署网络设备，这导致高运营支出(Operation Expenditure，OPEX)和资本支出(Capital Expenditure，CAPEX)。网络功能虚拟化(Network Function Virtualization，NFV)已被提议作为一种解决这些挑战的方法，它利用虚拟化技术提供设计、部署和管理网络服务的新方法，NFV的概念有望服务于各种新兴服务业和垂直市场，例如工业自动化，自动驾驶，机器人，医疗保健，虚拟和增强现实。

资源分配(Resource allocation，RA)是网络功能虚拟化(NFV)部署中的重要因素之一。由于物理层(Physical layer，PHY)资源是有限的(例如，发送能量和信道使用)，用于NFV部署的PHY层的RA问题已成为快速增长的问题，尤其是对于支持超可靠和低延迟的通信(Ultra Reliable Low Latency Communications，URLLC)。此外，由于在NFV部署的上行链路(uplink，UL)传输协议中的最小化物理层资源优化问题是高度非凸的，因此很难获得全局最优解，而由于优化问题中的过度约束条件会导致低收敛效率现象，传统的启发式算法不能直接解决最小化物理层资源的资源优化问题。

发明内容

本公开是为了解决上述现有问题而完成的，其目的在于提供一种能够快速有效地完成NFV部署中的最小化物理层资源优化问题的网络功能虚拟化的物理层资源最小化的资源优化方法。

为此，本公开提供了一种网络功能虚拟化的物理层资源最小化的资源优化方法，是包括网络功能虚拟化架构和基站的物理层资源的优化方法，其特征在于，包括：所述网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，所述逻辑层包括具有第一数量的逻辑节点和具有第二数量的控制器，所述物理层包括具有第三数量的物理节点，所述第三数量等于所述第一数量与所述第二数量之和，所述逻辑节点和所述控制器通过所述虚拟层与所述物理节点形成映射关系，所述逻辑节点和所述控制器通过相应的所述物理节点经过正交信道向所述基站发送信息信号；所述基站基于所述信息信号计算每个所述逻辑节点和每个所述控制器的有效载荷比特数、信道使用数量、发射功率和接收信噪比，计算每个所述逻辑节点的第一吞吐量和每个所述控制器的第二吞吐量，计算多个所述逻辑节点的第一总发射能量和多个所述控制器的第二总发射能量；；并且当所述第三数量等于预设服务数量、有效载荷比特数等于预设有效载荷比特数且接收信噪比等于预设接收信噪比，所述逻辑节点和所述控制器满足超可靠性要求，所述第一总发射能量不大于第一能量阈值且所述第二总发射能量不大于第二能量阈值，所述第一吞吐量不小于第一共同吞吐量且所述第二吞吐量不小于第二共同吞吐量时，所述管理编排系统基于混合优化算法自适应地分配所述发射功率和所述信道使用数量，以使物理层资源最小化，其中，所述混合优化算法是多维的且以所述信道使用总数的相反数为适应值的混合蛙跳-极值优化算法，所述多维包括各个逻辑节点的发射功率和各个所述控制器的发射功率，以及各个所述逻辑节点和各个所述控制器的信道使用数量。

在本公开中，基于网络功能虚拟化架构，逻辑节点和所述控制器向基站发送信息信号，基站接收信息信号并计算相关参数，当第三数量、有效载荷比特数、接收信噪比、第一吞吐量、第二吞吐量、第一总发射能量、第二总发射能量、第一吞吐量和第二吞吐量满足相应要求且逻辑节点和控制器满足超可靠性要求时，管理编排系统基于混合优化算法自适应地分配发射功率和信道使用数量，以使物理层资源最小化。由此，能够快速有效地完成NFV部署中的最小化物理层资源优化问题，且具有较好的全局搜索能力。

在本公开所涉及的优化方法中，可选地，第i个逻辑节点和第j个控制器的发射能量分别为满足E_Li＝P_t,Lin_Li和E_Cj＝P_t,Cjn_Cj，其中，E_Li和E_Cj的单位都为W·Hz·s，P_t,Li为第i个逻辑节点的发射功率，P_t,Cj为第j个控制器的发射功率，n_Li为第i个逻辑节点的信道使用数量，n_Cj为第j个控制器的信道使用数量，所述信道使用总数满足

M为所述第一数量，N为所述第二数量。由此，能够获得各个逻辑节点和各个控制器的发射能量以及信道使用总数。

在本公开所涉及的优化方法中，可选地，所述超可靠性要求满足

和

且

其中，p_e,Li为第i个逻辑节点的分组错误概率，p_e,Cj为第j个控制器的分组错误概率，ε_pe,L是任一个所述逻辑节点的分组错误概率上限，

是任一个所述控制器的分组错误概率上限。由此，任一个控制器和基站之间的连接具有比任一个逻辑节点和基站之间的连接更高的可靠性。

在本公开所涉及的优化方法中，可选地，第i个逻辑节点和第j个控制器的吞吐量分别为满足

和

其中，k_Li为第i个逻辑节点的有效载荷比特数，k_Cj为第j个控制器的有效载荷比特数,P_t,Li为第i个逻辑节点的发射功率，P_t,Cj为第j个控制器的发射功率，n_Li为第i个逻辑节点的信道使用数量，n_Cj为第j个控制器的信道使用数量。由此，能够获得各个逻辑节点的第一吞吐量和各个控制器的第二吞吐量。

在本公开所涉及的优化方法中，可选地，所述混合蛙跳-极值优化算法输入参数包括所述第一数量M、所述第二数量N、各个所述逻辑节点的有效载荷比特数k_Li、各个所述控制器的有效载荷比特数k_Cj、各个所述逻辑节点的接收信噪比γ_Li、各个所述控制器的接收信噪比γ_Cj、所述逻辑节点的分组错误概率上限

所述控制器的分组错误概率上限

所述第一能量阈值

所述第二能量阈值

所述第一共同吞吐量

和所述第二共同吞吐量

输出参数包括各个逻辑节点的信道使用数量n_Li、各个所述控制器的信道使用数量n_Cj、各个所述逻辑节点的发射功率P_t,Li、所述控制器的发射功率P_t,Cj和所述信道使用总数n_∑。由此，混合蛙跳-极值优化算法能够基于上述的输入参数进行优化，并获得优化的输出参数。

在本公开所涉及的优化方法中，可选地，所述混合蛙跳-极值优化算法包括：设置初始化参数；随机生成包括F只青蛙在内的种群p；每只青蛙的位置用维度为t＝2(M+N)的X_i表示；通过评估算法计算每只青蛙的适应值f(X_i)；判断是否满足收敛准则；当满足收敛准则时，获得最优的输出参数并结束进程；当不满足收敛准则时，将F只青蛙相应的适应值按照降序排序；构造p组青蛙和子模因复合体；对每组青蛙进行for循环，每一次循环中在子模因复合体中局部搜索，利用所述评估算法计算每只青蛙的适应度，并再对每只青蛙进行极值优化，每只青蛙的适应度由评估算法获得；对所有青蛙进行洗牌。由此，能够确保快速和稳定的收敛。

在本公开所涉及的优化方法中，可选地，所述评估算法的输入参数为第i只青蛙的位置X_i，输出参数为第i只青蛙的位置的适应值f(X_i)，计算每只青蛙的位置的适应度f(X_i)；其中f(X_i)＝-n_Σ，T表示惩罚系数，且满足T＝2×10⁴；当

或者

时，f(X_i)＝f(X_i)+T；当

或者

时，f(X_i)＝f(X_i)+T；当

或者

时，f(X_i)＝f(X_i)+T；否则返回f(X_i)。由此，基于评估算法获得每只青蛙的适应值。

在本公开所涉及的优化方法中，可选地，所述极值优化的过程包括：随机生成具有多个组成部分的个体；计算每个个体的每个组成部分的所述适应值；设置当前个体为最优个体；判断是否满足设定标准，当满足时结束进程；当不满足设定标准时，计算当前个体的每个组成部分的适应值；查找适应值小于或等于所述当前个体的适应值的组成部分；获取目标个体；将目标个体作为新的当前个体；当目标个体的适应值小于最优个体的适应值，则目标个体作为最优个体。由此，能够提高局部搜索能力。

在本公开所涉及的优化方法中，可选地，每个所述组成部分的适应值λ_ij满足

其中，Δx_ij是第i只青蛙的当前位置和新位置之间的偏移量。由此，能够获得突变后的各个组成部分的适应值。

在本公开所涉及的优化方法中，可选地，所述混合蛙跳-极值优化算法的运行时间满足复杂度为

其中，极值优化进程跳转条件N_EO值设置为1到100之间的任意数值，N_ite是极值优化的迭代次数，且N_ite设置为2，l_max表示混合蛙跳算法的最大迭代次数，t为维度。由此，能够获得运行时间复杂度。

本公开涉及的基于混合蛙跳-极值优化算法(MSFLA-EO)的最小化物理层资源的资源优化方法具有优越的稳定性和全局搜索能力，根据各种性能参数对提出的资源优化方法进行了仿真，实验结果证明了所提出的资源优化方法对于最小化物理层资源具有显著的效果。

附图说明

图1是示出了本公开的示例所涉及的NFV架构的系统模型的示意图。

图2是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的流程图。

图3是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的混合优化算法的流程图。

图4是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的极值优化过程的流程图。

图5是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的在不同的有效载荷比特数下的信道使用总数的波形示意图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是示出了本公开的示例所涉及的NFV架构的系统模型的示意图。本公开涉及一种网络功能虚拟化的物理层资源最小化的资源优化方法，是包括网络功能虚拟化架构和基站的物理层资源最小化的资源优化方法。

在一些示例中，如图1所示，网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统。逻辑层可以包括具有第一数量的逻辑节点和具有第二数量的控制器。多个控制器共存以实现网络的弹性功能。其中，第一数量例如可以是M个，第二数量例如可以是N个。

在一些示例中，物理层可以包括具有第三数量的物理节点。第三数量等于第一数量与第二数量之和。第三数量例如可以是X个。其中，X＝M+N。物理节点例如可以是VNF运行的硬件设备。物理层还可以包括物理链路。物理链路例如可以是有线的或者无线的实际通信设备。另外，由于NFV可以部署冗余用以从软件或硬件故障中恢复，因此物理节点中的资源可以服务于多个逻辑节点和控制器。其中，逻辑节点和控制器可以通过虚拟层与物理节点形成映射关系。

在一些示例中，管理编排系统(NFV MANO)可以提供配置VNF和相关操作所需的功能。管理编排系统还可以负责整个网络的资源分配。例如，资源可以包括发送功率和信道使用次数。

图2是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的流程图。本公开涉及的网络功能虚拟化的物理层资源最小化的资源优化方法可以简称为优化方法。

在一些示例中，如图2所示，基于上述NFV架构，优化方法可以包括发送阶段(步骤S100)，接收计算阶段(步骤S200)和优化阶段(步骤S300)。

在步骤S100中，逻辑节点和控制器可以通过相应的物理节点经过正交信道向基站发送信息信号。正交信道例如可以是正交频带信道或正交时隙信道。由此，能够忽略信息信号传递过程中同信道干扰。

在一些示例中，任一个控制器和基站之间的连接可以具有比任一个逻辑节点和基站之间的连接更高的可靠性。由此，能够减少控制器减少与基站的连接失败所带来的随机故障、故意攻击、软件故障等问题。

在步骤S200中，基站可以基于信息信号计算每个逻辑节点和每个控制器的有效载荷比特数、信道使用数量、发射功率和接收信噪比。其中，逻辑节点可以包括M个。第i个逻辑节点的相关参数可以由下标Li表示。例如，k_Li为第i个逻辑节点的有效载荷比特数，n_Li为第i个逻辑节点的信道使用数量，P_t,Li为第i个逻辑节点的发射功率，γ_Li为第i个逻辑节点的接收信噪比。控制器可以包括N个。第j个控制器的相关参数可以由下标Cj表示。例如，k_Cj为第j个控制器的有效载荷比特数，n_Cj为第j个控制器的信道使用数量，P_t,Cj为第j个控制器的发射功率，γ_Cj为第j个控制器的接收信噪比。另外，信道使用总数可以表示为

由此，能够获得各个逻辑节点和各个控制器的发射能量以及信道使用总数。

在步骤S200中，基站还可以计算多个逻辑节点的第一总发射能量，并计算多个控制器的第二总发射能量。具体而言，基站可以计算第i个逻辑节点的发射能量E_Li和第j个控制器的发射能量E_Cj。其中，E_Li和E_Cj的单位为W·Hz·s，E_Li＝P_t,Lin_Li和E_Cj＝P_t,Cjn_Cj。基于各个逻辑节点的发射能量和各个控制器的发射能量，基站可以计算所有逻辑节点的总发射能量和所有控制器的总发射能量。

另外，在一些示例中，在步骤S200中，基站还可以计算每个逻辑节点的第一吞吐量和所述控制器的第二吞吐量。其中，第i个逻辑节点的第一吞吐量R_Li可以满足

第j个控制器的第二吞吐量R_Cj可以满足

总吞吐量可以为第一总吞吐量与第二总吞吐量之和，且总吞吐量满足

由此，能够获得各个逻辑节点的第一吞吐量和各个控制器的第二吞吐量。

在步骤S300中，管理编排系统进行自适应分配需要满足的条件可以包括第三数量等于预设服务数量、有效载荷比特数等于预设比特数且接收信噪比等于预设接收信噪比。也即，第三数量X可以是设定的预设服务数量。

另外，管理编排系统进行自适应分配需要满足逻辑节点和控制器超可靠性要求。也即超可靠性要求满足

和

且

例如

和

其中，p_e,Li为第i个逻辑节点的分组错误概率，p_e,Cj为第j个控制器的分组错误概率，

是任一个逻辑节点的分组错误概率上限，

是任一个控制器分组错误概率上限。由此，任一个控制器和基站之间的连接具有比任一个逻辑节点和基站之间的连接更高的可靠性。

在一些示例中，管理编排系统进行自适应分配还需要满足第一总发射能量不大于第一能量阈值

且第二总发射能量不大于第二能量阈值

第一吞吐量R_Li不小于第一共同吞吐量

且第二吞吐量R_Cj不小于第二共同吞吐量

也即，

和

分别是逻辑节点的第一能量阈值

和控制器的第二能量阈值

在一些示例中，管理编排系统可以发送自适应分配指令，以自适应地分配发射功率和信道使用数量。基站可以接收该自适应分配指令进行发射功率和信道使用数量的分配。

在一些示例中，基站可以通过自动功率控制实现对每个逻辑节点的功率和所述控制器的功率的控制。例如，将基站的收发台接收的射频信号依次输入具有滤波功能的滤波器和变频器，进而获得中频信号，再将此中频信号输入到基站的自动功率控制模块中对功率进行控制。其中，自动功率控制模块包括A/D转换器、去直流单元、功率估计单元和功率反馈调整单元。

在一些示例中，自动功率控制模块的自动功率控制过程包括：将中频信号经过A/D转换器获得数字信号，该数字信号经过可变点数的去直流单元得到零均值的数字中频信号，该数字中频信号再经过点数可变的功率估计单元得到信号的功率估计，该功率估计值经过功率反馈调整单元得到新的增益系数值，新增益系数应用于下一时间段内的限幅调整过程，最终使数字中频信号的输出维持在稳定功率附近。

在一些示例中，基站可以把接收到的信号加以稳定再发送出去，这样可有效地减少或避免通信信号在无线传输中的损失，保证用户的通信质量。

在一些示例中，基站可以使用频分复用方式实现对信道使用数量的分配。在物理信道的可用带宽超过单个信息信号(每个物理节点发送的信息信号)所需带宽情况下，可以将该物理信道的总带宽分割成若干个与传输单个信息信号带宽相同的子信道。在每个子信道上传输相应的一个物理节点发送的信息信号，以实现在同一信道中同时传输多个信息信号(多路信号)。在多路信号进行频分复用前，需要通过频谱搬移技术将各路信号的频谱搬移到物理信道频谱的不同段上，以使各个信息信号的带宽不相互重叠。进行频谱搬移后，需要用不同的载波频率调制每一个信号。每个信号以其相应的载波频率为中心，在一定带宽的子信道上进行传输。另外，为了防止互相干扰，需要使用抗干扰保护措施带来隔离每一个子信道。

在步骤S300中，管理编排系统在满足上述条件的情况下可以基于混合优化算法自适应地分配发射功率和信道使用数量，以使物理层资源最小化。其中，混合优化算法是多维的且以信道使用总数的相反数为适应值的混合蛙跳-极值优化算法。混合优化算法可以为混合蛙跳-极值优化算法。具体而言，混合蛙跳-极值优化算法将改进的极值优化(Extremevalue optimization，EO)代替混合蛙跳算法的随机解。本公开将极值优化与混合蛙跳算法结合，由于具有较强的局部搜索能力。

在一些示例中，混合蛙跳-极值优化算法输入参数可以第一数量M、第二数量N、各个逻辑节点的有效载荷比特数k_Li、各个控制器的有效载荷比特数k_Cj、各个逻辑节点的接收信噪比γ_Li、各个控制器的接收信噪比γ_Cj、逻辑节点的分组错误概率上限

控制器的分组错误概率上限

第一能量阈值

第二能量阈值

第一共同吞吐量

和第二共同吞吐量

由此，混合蛙跳-极值优化算法能够基于上述的输入参数进行优化，并获得优化的输出参数。

图3是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的混合优化算法的流程图。

在一些示例中，如图3所示，混合蛙跳-极值优化算法可以包括设置初始化参数(步骤S310)。初始化参数例如可以是上述的混合蛙跳-极值优化算法的输入参数。初始化参数也可以是初始种群F、群组p、每组青蛙的数量q和EO进程跳转条件N_EO等。

在一些示例中，如图3所示，混合蛙跳-极值优化算法还可以包括随机产生种群(由F青蛙代表)(步骤S320)。也即混合蛙跳-极值优化算法可以随机生成包括F只青蛙在内的群组p，每只青蛙的位置用维度为t＝2(M+N)的X_i表示。在步骤S320中，F可以是初始种群、q可以是每组青蛙的数量。初始种群F＝pq可以由随机生成的青蛙P＝{X₁,X₂,...X_F}产生。在一些示例中，可以设置p＝20，q＝10和F＝200。另外，X_i＝[x_i1,x_i2,...,x_it]是第i个青蛙的位置，用以解决t维问题。在本公开中，维度t满足t＝2(M+N)。多维t可以包括各个逻辑节点的发射功率、各个控制器的发射功率、各个逻辑节点的信道使用数量和各个控制器的信道使用数量。

在一些示例中，如图3所示混合蛙跳-极值优化算法还可以包括评估每只青蛙的适应度(步骤S330)。也即混合蛙跳-极值优化算法可以通过评估算法计算每只青蛙的适应值f(X_i)。其中，适应值f(X_i)满足f(X_i)＝-n_Σ，也即，信道使用总数的相反数为适应值。适应值也称适应度。

在一些示例中，评估算法的输入参数为第i只青蛙的位置X_i，输出参数为第i只青蛙的位置的适应值f(X_i)。评估算法具体包括计算每只青蛙的位置的适应度f(X_i)；其中f(X_i)＝-n_Σ，当

或者

时，f(X_i)＝f(X_i)+T；当

或者

时，f(X_i)＝f(X_i)+T；当

或者

时，f(X_i)＝f(X_i)+T；否则返回f(X_i)。其中，T表示惩罚系数，且满足T＝2×10⁴。由此，基于评估算法获得每只青蛙的适应值。

在一些示例中，如图3所示，混合蛙跳-极值优化算法还可以包括判断是否满足收敛准则(步骤S340)和当满足收敛准则时，获得最优的输出参数并结束进程(步骤S350)。其中，输出参数可以包括信道使用总数n_∑、各个逻辑节点的发射功率P_t,Li、控制器的发射功率P_t,Cj、各个逻辑节点的信道使用数量n_Li和各个控制器的信道使用数量n_Cj。

在一些示例中，如图3所示，混合蛙跳-极值优化算法还可以包括当不满足收敛准则时，按降序排序F青蛙(步骤S360)。也即将F只青蛙相应的适应值按照降序排序。

在一些示例中，如图3所示，混合蛙跳-极值优化算法还可以包括构造群和子模因复合体(步骤S370)。由此，通过子模因复合体那能够防止混合蛙跳算法(SFLA)在局部最佳位置停止。

在一些示例中，如图3所示，混合蛙跳-极值优化算法还可以包括对每组青蛙进行for循环，每一次循环中在子模因复合体中局部搜索和对每只青蛙进行极值优化(临时的EO过程)(步骤S380)。在步骤S380中每一次循环中利用评估算法计算每只青蛙的适应度。

在一些示例中，如图3所示，混合蛙跳-极值优化算法还可以包括对所有青蛙进行洗牌(步骤S390)。由此，能够确保快速和稳定的收敛。

在步骤S380中，子模因复合体中通常遵循三角概率选择规则。每组中最差青蛙第l次迭代的移动距离更新为D_i,w(l)＝r(X_i,b-X_i,w(l))，其中r是一个随机数且r∈[0,1]，并且X_i,b是该组中最好的青蛙位置。在一些示例中，在最佳位置附近，可能存在比当前最佳位置容纳更多食物但位于当前最差位置和最佳位置之间的范围之外的其他位置。为了包括这种情况并扩展可能的搜索范围，可以将D_i,w(l)＝r(X_i,b-X_i,w(l))修改为D_i,w(l)＝wcr(X_i,b-X_i,w(l))。其中，c是跳跃视觉因素且c≥1。另外，c不能无限扩大。由此，c可以设置为1≤c≤3。例如，c＝1.5。增加了c的式D_i,w(l)＝wcr(X_i,b-X_i,w(l))能够增加青蛙每一步的跳跃范围，扩展青蛙的跳跃视野，并增强算法的优化能力。l_max表示混合蛙跳算法中允许的最大迭代次数，例如l_max＝1000。

在一些示例中，参数w对混合蛙跳算法的收敛行为具有显着影响，其用于更好地控制青蛙跳跃过程中的局部搜索与全局搜索之间的关系。当参数w较大时表示强大的全局搜索能力和较弱的本地搜索能力，当参数w较小时表示较弱的全局搜索能力和强大的本地搜索能力。参数w满足

在一些示例中，设置w_min＝0.8和w_max＝2.5，随着迭代的进行w以线性的方式从w_max逐渐下降到w_min。

在一些示例中，X_i,w(l)是在第i组的第l次迭代中具有最差适应值的青蛙位置，其更新为X_i,w(l+1)＝X_i,w(l)+D_i,w(l)，如果更新后新青蛙位置的适应值优于原始适应值，则新位置将替换旧位置。否则，D_i,w(l)＝wcr(X_i,b-X_i,w(l))中X_i,b被X_b替换，其中X_b是整个种群数量中最好的青蛙位置。如果在更新后未观察到任何改进，则将实施随机解决方案X_i,w(l)。在每个组中重复此操作，直到达到指定的迭代。

图4是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的极值优化过程的流程图。

在一些示例中，如图4所示，在步骤S380中再对每只青蛙进行极值优化的过程。极值优化可以消除最优个体中的最差的组分(也即组成部分)。

在一些示例中，如图4所示，步骤S380的极值优化过程可以包括随机生成个体X＝[x₁,x₂,...,x_t](步骤S381)。也即极值优化过程可以随机生成具有多个组成部分的个体。在步骤S381中，个体可以表示为X＝[x₁,x₂,...,x_t]，x_i为个体X的每个组成部分。例如，个体X的每个组成部分可以例如是各个逻辑节点的发射功率P_t,Li、各个控制器的发射功率P_t,Cj、各个逻辑节点的信道使用数量n_Li和各个控制器的信道使用数量n_Cj。

在一些示例中，如图4所示，极值优化过程可以包括评价适应价值f(X_i)(步骤S382)。也即极值优化过程可以计算每个个体的每个组成部分适应值。适应价值也可以称为适应值或适应度。每个组成部分适应值满足

其中Δx_ij是第i只青蛙的当前位置和新位置之间的偏移量，该适应值可以通过对第i个组成部分进行突变并使所有其他组成部分保持固定而获得的。

在一些示例中，如图4所示，极值优化过程可以包括设置最优解X_b＝X_i(步骤S383)。也即极值优化过程可以设置当前个体为最优个体。极值优化过程还可以包括判断是否满足预先设定的标准(步骤S384)。其中，预先设定的标准可以简称为设定标准。当满足设定标准时，输出适应值f(X_i)并结束进程。

在一些示例中，如图4所示，极值优化过程可以包括当不满足设定标准时，评估每个决策变量x_i的适应度(步骤S385)。其中，i取自然数，决策变量也称为组成部分。因此，极值优化过程可以计算当前个体的每个组成部分的适应值。每个组成部分的适应值满足

其中，Δx_ij是第i只青蛙的当前位置和新位置之间的偏移量。由此，能够获得突变后的各个组成部分的适应值。

在一些示例中，如图4所示，极值优化过程可以包括找到满足λ_j≤λ_i的x_j(步骤S386)。也即在步骤S386中查找适应值小于或等于当前个体的适应值的组成部分。另外，x_j也可以表示为x_i′。

在一些示例中，如图4所示，极值优化过程可以包括获取X’(步骤S387)。其中，X’表示目标个体。在步骤S387中，目标个体的组成部分x_j可以通过x_i′＝x_i+ηδ_i改变其状态。其中，x_i′和x_i表示突变前后个体X的第i个成分。δ_i表示生成随机数。例如，δ_i可以是标准柯西随机变量或标准高斯随机变量。δ_i还可以是混合高斯和柯西变异算子。变量η是一个放大因子，通常随着突变数量的增加而线性减少。例如，设置η的值从1线性地减少到0.1。

在一些示例中，如图4所示，极值优化过程可以包括无条件接受X＝X’(步骤S388)。也即在步骤S388中，将目标个体X’作为新的当前个体。

在一些示例中，如图4所示，极值优化过程可以包括若f(X)＜f(X_b)，则X_b＝X(步骤S389)。也即在步骤S389中，当目标个体的适应值f(X)小于最优个体的适应值f(X_b)，则目标个体作为最优个体。由此，能够提高局部搜索能力。

在步骤S390中，在每组中进行深度搜索之后，对整个青蛙种群进行洗牌和分类。根据适应值记录最佳青蛙位置。然后重新划分群体，并再次执行局部深度搜索。

在一些示例中，混合蛙跳-极值优化算法的运行时间满足复杂度为

其中，极值优化进程跳转条件N_EO值可以设置为1到100之间的任意数值，例如，可以设置N_EO＝10。N_ite是极值优化的迭代次数，且N_ite可以设置为2。l_max表示混合蛙跳算法的最大迭代次数。t为维度。由此，能够获得运行时间复杂度。

图5是示出了本公开的示例所涉及的网络功能虚拟化的物理层资源最小化的资源优化方法的在不同的有效载荷比特数下的信道使用总数的波形示意图。

在一些示例中，如图5所示，波形A是接收信噪比满足γ_L1＝γ_L2＝γ_C1＝γ_C2＝20(dB)时的波形图。波形B是接收信噪比满足γ_L1＝10(dB)和γ_L2＝γ_C1＝γ_C2＝20(dB)时的波形图。波形C是接收信噪比满足γ_C1＝10(dB)和γ_L1＝γ_L2＝γ_C2＝20(dB)时的波形图。波形D是接收信噪比满足γ_L1＝γ_C1＝10(dB)和γ_L2＝γ_C2＝20(dB)时的波形图。

图5所示的波形图的满足的条件包括两个逻辑节点的有效载荷比特数相同，即k_L1＝k_L2。另外图5所示的波形图的满足的条件还包括第一能量阈值

满足

第二能量阈值

满足

以及第一共同吞吐量等于第二共同吞吐量也即

根据图5所得，信道使用总数n_∑随着k_L1＝k_L2值的增加而增加。在波形A中，由于接收信噪比γ_L和接收信噪比γ_C两者都是最好的，信道使用总数n_∑值达到最小。在波形D下，由于接收信噪比γ_L和接收信噪比γ_C两者都是最差的信道使用总数n_∑值达到最大。

在本公开中，基于网络功能虚拟化架构，逻辑节点和控制器向基站发送信息信号，基站接收信息信号并计算相关参数，当有效载荷比特数、接收信噪比、第一总发射能量、第二总发射能量、第一吞吐量和第二吞吐量满足相应要求且逻辑节点和控制器满足超可靠性要求时，管理编排系统基于混合优化算法自适应地分配发射功率和信道使用数量，以使物理层资源最小化。由此，能够快速有效地完成NFV部署中的最小化物理层资源优化问题，且具有较好的全局搜索能力。

本公开涉及的基于混合蛙跳-极值优化算法(MSFLA-EO)的最小化物理层资源的资源优化方法具有优越的稳定性和全局搜索能力，根据各种性能参数对提出的资源优化方法进行了仿真，实验结果证明了所提出的资源优化方法对于最小化物理层资源具有显著的效果。

虽然以上结合附图和实施例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (4)

1.一种网络功能虚拟化的物理层资源最小化的资源优化方法，是包括网络功能虚拟化架构和基站的物理层资源最小化的资源优化方法，其特征在于，

包括：

所述网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，所述逻辑层包括具有第一数量的逻辑节点和具有第二数量的控制器，所述物理层包括具有第三数量的物理节点，所述第三数量等于所述第一数量与所述第二数量之和，所述逻辑节点和所述控制器通过所述虚拟层与所述物理节点形成映射关系，所述逻辑节点和所述控制器通过相应的所述物理节点经过正交信道向所述基站发送信息信号；

所述基站基于所述信息信号计算每个所述逻辑节点和每个所述控制器的有效载荷比特数、信道使用数量、发射功率和接收信噪比，计算每个所述逻辑节点的第一吞吐量和每个所述控制器的第二吞吐量，计算所有所述逻辑节点的第一总发射能量和所有所述控制器的第二总发射能量；并且

当所述第三数量等于预设服务数量、有效载荷比特数等于预设有效载荷比特数且接收信噪比等于预设接收信噪比，所述逻辑节点和所述控制器满足超可靠性要求，所述第一总发射能量不大于第一能量阈值且所述第二总发射能量不大于第二能量阈值，所述第一吞吐量不小于第一共同吞吐量且所述第二吞吐量不小于第二共同吞吐量时，所述管理编排系统基于混合优化算法自适应地分配所述发射功率和所述信道使用数量，以使物理层资源最小化，

其中，所述混合优化算法是多维的且以所述信道使用总数的相反数为适应值的混合蛙跳-极值优化算法，所述多维包括各个逻辑节点的发射功率和各个所述控制器的发射功率，以及各个所述逻辑节点和各个所述控制器的信道使用数量，

其中，所述超可靠性要求满足

和

且

其中，p_e,Li为第i个逻辑节点的分组错误概率，p_e,Cj为第j个控制器的分组错误概率，

是任一个所述逻辑节点的分组错误概率上限，

是任一个所述控制器的分组错误概率上限，所述混合蛙跳-极值优化算法的输入参数包括第一数量M、第二数量N、各个所述逻辑节点的有效载荷比特数k_Li、各个所述控制器的有效载荷比特数k_Cj、各个所述逻辑节点的接收信噪比γ_Li、各个所述控制器的接收信噪比γ_Cj、任一个所述逻辑节点的分组错误概率上限

任一个所述控制器的分组错误概率上限

第一能量阈值

第二能量阈值

第一共同吞吐量

和第二共同吞吐量

输出参数包括各个逻辑节点的信道使用数量n_Li、各个所述控制器的信道使用数量n_Cj、各个所述逻辑节点的发射功率P_t,Li、各个所述控制器的发射功率P_t,Cj和所述信道使用总数n_∑，

所述混合蛙跳-极值优化算法包括：设置初始化参数；随机生成包括F只青蛙在内的群组p；每只青蛙的位置用维度为t＝2(M+N)的X_i表示；通过评估算法计算每只青蛙的适应值f(X_i)；判断是否满足收敛准则；当满足收敛准则时，获得最优的输出参数并结束进程；当不满足收敛准则时，将F只青蛙相应的适应值按照降序排序；构造p组青蛙和子模因复合体；对每组青蛙进行for循环，每一次循环中在子模因复合体中局部搜索，利用所述评估算法计算每只青蛙的适应值，并再对每只青蛙进行极值优化，每只青蛙的适应值由评估算法获得；对所有青蛙进行洗牌，其中，F＝pq，q表示每组青蛙的数量，

所述评估算法的输入参数为第i只青蛙的位置X_i，输出参数为第i只青蛙的位置的适应值f(X_i)，计算每只青蛙的位置的适应值f(X_i)；其中f(X_i)＝-n_Σ，T表示惩罚系数，且满足T＝2×10⁴；当

或者

时，f(X_i)＝f(X_i)+T；当

或者

时，f(X_i)＝f(X_i)+T；当

或者

时，f(X_i)＝f(X_i)+T；否则返回f(X_i)，R_Li表示第i个逻辑节点的吞吐量，R_Cj表示第j个控制器的吞吐量，E_Li表示第i个逻辑节点的发射能量，E_Cj表示第j个控制器的发射能量，

所述极值优化的过程包括：随机生成具有多个组成部分的个体；计算每个个体的每个组成部分的所述适应值；设置当前个体为最优个体；判断是否满足设定标准，当满足时结束进程；当不满足设定标准时，计算当前个体的每个组成部分的适应值；查找适应值小于或等于所述当前个体的适应值的组成部分；获取目标个体；将目标个体作为新的当前个体；当目标个体的适应值小于最优个体的适应值，则目标个体作为最优个体。

2.如权利要求1所述的优化方法，其特征在于，

第i个逻辑节点和第j个控制器的吞吐量分别为

和

3.如权利要求1所述的优化方法，其特征在于，

第i个逻辑节点和第j个控制器的发射能量分别为E_Li＝P_t,Lin_Li和E_Cj＝P_t,Cjn_Cj，其中，E_Li和E_Cj的单位都为W·Hz·s，所述信道使用总数满足

4.如权利要求1所述的优化方法，其特征在于，

所述混合蛙跳-极值优化算法的运行时间满足复杂度为

其中，极值优化进程跳转条件N_EO值设置为1到100之间的任意数值，N_ite是极值优化的迭代次数，且N_ite设置为2，l_max表示混合蛙跳算法的最大迭代次数，t为维度。

Images