CN109743215B - 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 - Google Patents
一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 Download PDFInfo
- Publication number
- CN109743215B CN109743215B CN201910165528.7A CN201910165528A CN109743215B CN 109743215 B CN109743215 B CN 109743215B CN 201910165528 A CN201910165528 A CN 201910165528A CN 109743215 B CN109743215 B CN 109743215B
- Authority
- CN
- China
- Prior art keywords
- virtual
- physical
- mapping
- disaster
- link
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title abstract description 17
- 230000003287 optical effect Effects 0.000 claims description 53
- 239000003016 pheromone Substances 0.000 claims description 17
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 241000257303 Hymenoptera Species 0.000 claims 2
- 238000004891 communication Methods 0.000 abstract description 10
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 239000013307 optical fiber Substances 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- VZKXOWRNJDEGLZ-WHFBIAKZSA-N Cys-Asp-Gly Chemical compound SC[C@H](N)C(=O)N[C@@H](CC(O)=O)C(=O)NCC(O)=O VZKXOWRNJDEGLZ-WHFBIAKZSA-N 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法，属于光纤通信技术领域。本发明所述方法采用基于风险评估的方法建立生存性虚拟网络多区域灾难故障模型，评估全局物理链路潜在故障概率；采用虚拟节点‑链路协同映射，即映射虚拟节点后，紧接着映射该虚拟节点与已映射虚拟节点之间的所有虚拟链路，在协同映射中，考虑映射虚拟链路到物理路径所产生的带宽容量损失，设计虚拟链路启发式信息公式，以选择带宽容量损失最小物理路径进行映射。本发明提供一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法，即在物理网络发生多区域故障时，仍能获得最低的预期带宽容量损失，同时降低带宽阻塞率和提高频谱利用率。
Description
技术领域
本发明属于光纤通信技术领域，涉及一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法。
背景技术
随着智能电网技术的进步和日益成熟，电力通信网逐步向数字化、综合化、智能化、多业务化等方向演进。尤其是近年来出现的物联网这一新兴技术，由于几乎所有的电器设备都需要电网调度和配送电运行，这使得电力通信网成为了最直接、高效的、可靠的数据传输网。而这些新的变革为原本传输带宽资源就有限的电力数据通信骨干网带来了严峻的挑战。相比于传统带宽固定、调制格式单一的波分复用(Wavelength DivisionMultiplexing,WDM)网络，新型的弹性光网络(Elastic Optical Networks,EONs)凭借其高带宽容量、低时延、低功耗、细粒度等优点被认为是下一代极具前景的光传送网。新型业务的快速发展使得互联网构架越来越无法满足网络运营、管理、扩展、业务部署的需求，要在全球范围内部署一套类似规模的新网络是相当困难的，且网络运营商都是趋利的，网络的实际部署会因为他们之间复杂的商业关系而阻碍重重。因此使得网络陷入了“僵化”的局面，网络虚拟化技术被引入到EONs中来解决网络僵化问题。在光网络虚拟化环境下，传统的服务运营商被划分为两个角色，即部署和管理物理基础设施和资源的基础设施提供商，而服务提供商向基础设施提供商租用一个或多个底层弹性光网络资源，为用户提供定制的，可扩展的虚拟网络服务。
虚拟光网络映射是网络虚拟化中优化资源分配的核心问题之一，并受到国内外学者的广泛关注。用户产生的虚拟网络请求通常由带有资源约束条件的虚拟节点(VirtualNode,VN)和虚拟链路(Virtual Link,VL)组成，如何在底层弹性光网络为虚拟业务提供有效地资源分配被称作为虚拟网络映射问题，且已被证明是NP-hard(Non-deterministicPolynomial-hard，非确定性多项式困难)问题。为了提高底层弹性光网络运营商的收益，早期的研究主要集中于如何提高虚拟光网络映射的成功率和底层弹性光网络资源利用率。
电力通信网是电力系统运行的命脉，其可靠程度关系着整体电力系统的安全与稳定。所以电力系统对其通信网络的可靠性和信息传输的快速准确性方面的要求很高。电力通信网的可靠性有赖于顺畅的传输链路，如果这些链路出现故障会直接导致信息传输中断和可靠性降低，进而造成难以估量的损失。通常基础设施网络都搭建在幅员辽阔的地表上，很多地区经常遭受灾难的袭击，例如：台风、地震、洪水等，都会造成多区域大范围的底层弹性光网络故障，从而导致巨量的带宽容量损失。弹性光网络由于灾难引起的多区域大范围网络故障时有发生，电力通信骨干网络的生存能力已经成为一个主要担忧的问题。
发明内容
有鉴于此，本发明的目的在于提供一种弹性光网络中基于灾害预测的虚拟网络映射策略，用于提高网络频谱利用率，减少预期的带宽容量损失，降低网络阻塞率。
为达到上述目的，本发明提供如下技术方案：
一种基于灾难故障模型的蚁群优化虚拟网络映射方法，该方法包括以下步骤：
S1：根据底层弹性光网络拓扑结构，采用多区域灾难评估模型，评估在灾难影响区域内区域风险概率和潜在故障概率，计算承载需求请求业务的底层弹性光网络中所有物理路径的潜在故障概率；
S2：根据虚拟网络请求的资源需求，将虚拟节点按照计算资源和相邻链路带宽权值进行降序排序；底层弹性光网络的物理节点按照节点的剩余计算资源、相邻物理路径带宽和相邻链路的潜在故障概率综合权值进行降序排序，将排好顺序的第一个虚拟节点映射到第一个物理节点上；其次，设计链路启发式信息公式，在底层弹性光网络中，计算新增的映射虚拟链路导致底层弹性光网络中路径的预期容量损失值，选择预期容量损失最小的物理路径映射虚拟链路，则路径的另外一个端点即是所映射虚拟链路的虚拟节点的映射节点。
S3：在虚拟链路和剩余虚拟节点的协同映射中，设计映射虚拟链路导致底层弹性光网络中路径的预期容量损失值为代价函数，作为选择物理路径依据的启发式信息，根据多商品流策略选择代价最小的路径作为虚拟链路的映射路径，则路径的另外一个端点即是所映射虚拟链路连接虚拟节点的映射节点，以此类推，完成虚拟网络请求中其他虚拟链路和虚拟节点的协同映射。
进一步，所述S1具体通过以下方式实现：
S101：在灾难影响区域内评估灾难对底层弹性光网络中每条物理链路的影响强度，通过灾难中心到物理路径的欧氏距离来计算其对物理路径的影响强度，随着距离的减少呈指数增长；
灾难对物理组件j的影响强度公式为：
上式中，Disc,j(Disc,j＞1)表示物理路径j到灾难中心c的欧氏距离，h表示为灾难的深度或高度，d表示直线距离。
S102：基于灾难对物理路径的影响强度根据历史故障数据的经验函数来计算物理路径的潜在故障概率；
物理路径j的潜在故障概率公式为：
上式中，
表示在受灾难影响的底层弹性光网络拓扑GA中物理路径j。
表示灾难影响区域的平均距离，
表示灾难影响区域的最大距离。
S103：评估在灾难影响区域中这一区域的风险概率。
区域A的风险概率公式为：
进一步，所述S2具体通过以下方式实现：
S201：为了能够更好地的到预期带宽容量损失最小这个优化目标，基于提出的多区域灾难故障模型将其融入蚁群优化算法中设计了全局物理路径评估函数；
利用全局物理路径评估函数用以评估在全部底层弹性光网络中物理路径的潜在故障概率；在进行虚拟网络映射时，采用虚拟节点和虚拟链路协同映射的方法，首先根据节点排序准则将第一个虚拟节点映射到第一个物理节点，在映射第二个虚拟节点时，依据各个候选的物理节点到相邻虚拟节点已映射的物理节点之间找到最合适的物理路径并将该虚拟节点间的虚拟链路映射到上面。
全局物理路径评估函数为：
上式中，pA(f)是区域A风险概率，
是灾难区域的链路j潜在的故障概率。该函数用以评估在全部底层弹性光网络中物理路径j的潜在故障概率。如果候选链路j位于灾难影响区域内，Mj＞1；反之Mj＝1。
S202：所述方法还包括用映射新增虚拟链路的启发式信息作为链路选择代价函数；
链路启发式信息的计算公式为：
上式中，Lij表示虚拟节点
映射到物理节点
上需要新添加的虚拟链路集合，lv为即将映射的虚拟链路。Con(Map(lv))为映射虚拟链路lv到物理路径上需要消耗的带宽资源大小。Mj用以评估在全部底层弹性光网络中物理路径的潜在故障概率。
S3：蚁群优化虚拟网络映射策略在每完成一次迭代后，用于表示虚拟节点倾向于映射到某物理节点的信息素浓度将会做出更新。直到迭代次数完成或达到设定的阈值，输出每个虚拟网络的映射结果。
信息素浓度更新通过以下方法计算：
上式中，ρ为信息素挥发因子，τij(t)为虚拟节点
映射到物理节点
的蚂蚁信息素浓度大小，n为虚拟请求的节点数目。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合图对本发明作优选的详细描述，其中：
图1为虚拟业务和网络灾难模型图；图1(a)为虚拟网络请求，图1(b)为底层弹性光网络；
图2为灾难影响强度变化示意图；
图3为虚拟网络映射示例举例图；图3(a)为虚拟网络请求，图3(b)为底层弹性光网络；
图4为一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法流程图；
图5为虚拟节点链路协同映射方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示的虚拟业务和底层弹性光网络拓扑及灾难故障模型，假定达到两个虚拟业务VNR1{{a，b，c}，{ab，ac，bc}，{10，12，8}，{5，4，2}}和VNR2{{d,e},{de},{9,14},{6}}。对于业务VNR1而言，{a,b,c}为虚拟节点集合，{ab,ac,bc}为虚拟链路集合，{10,12,8}依次为虚拟节点a,b和c请求的计算资源，{5,4,2}依次为虚拟链路a-b,a-c,b-c的带宽请求所需要的频隙数。对于业务VNR2同理。我们的目的就是分别将两个虚拟网络的节点和链路映射到底层的弹性光网络的物理节点和链路中。图1(a)为虚拟网络请求，图1(b)为底层弹性光网络。假设如图1所示的两处区域发生了灾害，那么底层弹性光网络中的物理路径B-A，B-C，B-E和F-G，H-G就会因为其处在灾难影响区域内从而出现潜在的故障概率。为了能够准确评估由于灾难所导致的物理路径发生故障的概率。我们设计式(1)评估灾难对物理组件j的影响强度DIj。
灾难影响区域指的是由圆形的灾难覆盖区域Area＝(Ac,Ar)。Ac表示灾难的中心位置，Ar表示圆形灾难覆盖区域的半径。Disc,j(Disc,j＞1)表示物理路径j到灾难中心c的欧氏距离。其中，h表示为灾难的深度或高度，d表示直线距离，并且物理路径离灾难中心c的距离越近，受到的冲击影响强度成指数增加。
灾难冲击值影响强度对网络拓扑的范围很敏感。如图2所示，在灾难发生后，它会随着物理路径和灾难中心的距离的增加而减弱，并且变化趋势呈指数增长。需要注意的是物理组件j可以是底层弹性光网络的一个节点或一条链路。在本申请中，我们只考虑物理路径故障的情况，灾难破坏区域和受影响的区域在网络拓扑上是空间重叠的。我们也用A来表示受影响的区域。
通过式(3)计算潜在故障概率
它是一个条件概率，用来描述潜在灾难故障的可能性。它是由基于历史故障数据的经验函数
计算而来，其中
f∈F且
F和GA分别是灾难故障和受影响的底层弹性光网络拓扑集合。
式(3)中，
表示在受灾难影响的底层弹性光网络拓扑GA中物理路径j。
表示灾难影响的平均距离，
表示灾难影响的最大距离。
为了能够评估具体的灾难影响区域A的故障概率，受灾难影响的区域中区域风险概率pA(f)如式(4)所示。它由经验函数pA(f)表示，且pA(f)∈[0,1],f∈F,F是灾难故障的集合。
基于历史网络故障的知识和上述定义，每一个潜在的物理故障都可以被事先知道，这一过程叫做预测。在本申请中，方法的设计重点就是利用上述评估信息，在虚拟网络映射阶段，采用蚁群优化算法在灾难发生时候去减少预期的带宽容量损失。
前面设计的多区域灾难故障模型，能够准确评估出潜在的故障概率和区域风险概率。为了能够更好的将此灾难故障模型融入蚁群优化算法中并且实现我们预期带宽容量损失最小这一优化目标，我们重新设计了一个全局物理路径评估函数表示如式(5)所示：
式(5)中，pA(f)是区域风险概率，
是潜在的故障概率。该函数用以评估在全部底层弹性光网络中物理路径的潜在故障概率。如果候选链路位于灾难影响区域内，Mj＞1；反之Mj＝1。
当用多区域灾难故障模型对全部底层弹性光网络中物理路径的潜在故障概率进行评估后，就开始执行我们的蚁群优化虚拟网络映射策略，来完成虚拟网络中虚拟节点和虚拟链路的映射。
通过设计启发式信息ηij，将映射虚拟链路代价函数作为选路准则，选取启发式信息最大的物理路径进行虚拟链路映射。如式(6)所示：
式(6)中，Lij表示虚拟节点
映射到物理节点
上需要映射的与之相邻的虚拟链路集合，i和j分别表示虚拟节点和物理节点的标号。Con(Map(lv))为映射虚拟链路lv到物理路径上需要消耗的带宽资源大小。
接着定义t时刻虚拟节点
映射到某物理节点
的转移概率pij(t)由启发式信息和信息素浓度计算得到。如式(7)所示,τij(t)定义为t时刻虚拟节点
映射到物理节点
的信息素浓度，ηij为启发式信息。其中，α和β分别控制信息素浓度和启发式信息。
现以图3所示为例，详细介绍弹性光网络中基于灾害预测的虚拟网络映射策略。假如网络控制中心收到一个虚拟业务VNR{{a,b,c,d},{ab,ac,ad,bc,cd},{15,8,14,12},{5,6,4,2,3}}请求,如图3(a)所示，{a,b,c,d}为虚拟节点集合，{ab,ac,ad,bc,cd}为虚拟链路集合，{15,8,14,12}依次为虚拟节点a,b,c和d请求的计算资源，{5,6,4,2,3}依次为虚拟链路ab,ac,ad,bc,cd的带宽请求所需要的频隙数。根据多区域灾难故障模型，对底层弹性光网络的每条物理路径进行灾难评估，如图3(b)，底层弹性光网络中的每条链路上的括号内2个数字，分别表示该条物理路径的潜在故障概率和剩余的可用频隙数带宽资源。首先，初始化信息素矩阵、启发式信息矩阵和转移概率矩阵。其次，用式(8)对虚拟节点进行排序，确定被映射的顺序为{a,c,d,b}。然后，用式(9)找到底层弹性光网络资源最丰富且相邻链路潜在故障概率最小的物理节点，本例计算后确定映射为物理节点C。
式(8)和式(9)中，
和
分别表示虚拟节点请求的计算资源和虚拟链路请求的频隙数。
和
分别表示底层弹性光网络物理节点可用的计算资源和物理路径剩余的频隙数。
然后，设计蚁群算法优化虚拟网路映射策略。在第一轮迭代时，第一步首先将虚拟节点排序最大的虚拟节点a映射到物理节点C上，并且消耗C节点15个CPU资源。接着即将映射虚拟节点c。虚拟节点c与已经映射的虚拟节点a之间只新增加了虚拟链路a-c。这时需要计算虚拟节点c的转移概率矩阵
此时底层弹性光网络中满足约束条件的候选物理节点集合为{A,H}。为C节点到候选节点A、H分别执行多商品流算法找到新增虚拟链路a-c时的预期的带宽容量损失。假设与节点A相关的映射链路结果为a-c映射到A-C；与节点H相关的映射链路结果为a-c映射到C-F-H。根据式(6)计算的启发式信息矩阵分别是factor[c][A]为1/6，factor[c][H]为1/12。然后再根据式(7)计算转移概率Prab[c][A]为2/3，Prab[c][H]为1/3。故经过轮盘赌选择，将虚拟节点c映射到物理节点A。此时消耗A节点14个CPU资源。那么虚拟链路的映射方案为a-c映射到C-A。紧接着继续映射虚拟节点d。此时新增加的虚拟链路为a-d和c-d。底层弹性光网络中满足约束条件的候选物理节点集合为{B,D,F,H}。同理，用上述方法计算各自的转移概率。从图3中可以很明显的看出候选物理节点B处于灾难故障影响区域中，物理路径B-A、B-C都存在潜在的故障风险。如果将虚拟链路c-d、a-d映射到上面，那么如果灾难故障发生，将会造成大量的带宽容量损失。此时计算得到转移概率Prab[d][D]最大，故将虚拟节点d映射到物理节点D上，虚拟链路d-c和d-a分别映射到物理路径B-A和B-C上。此时消耗B节点12个CPU资源。最后映射虚拟节点b。此时新增的虚拟链路为b-a和b-c。同样的方法最终将虚拟节点b映射到物理节点G。虚拟链路b-c映射到物理路径A-D-G、虚拟链路b-a映射到物理路径G-C和G-D-C。需要指出的是，在物理节点C个G之间执行多商品流算法时，发现物理路径C-G此时只剩4频隙带宽资源，而虚拟链路b-a需要5个频隙的带宽资源。所以将会使用两条路径来传输，物理路径C-G传输4个频隙的带宽，剩下的1个频隙带宽由物理路径C-D-G完成传输。此时，虚拟网络请求中的所有虚拟节点和链路都已经映射完成，即该虚拟网络请求映射成功。
进一步，当蚁群优化策略第一轮迭代完成后，对虚拟节点
映射到物理节点
的信息素浓度将会做出如式(10)的更新。在其更新时如果虚拟节点
倾向于映射到物理节点
那么信息素浓度τij(t)就挥发的更缓慢。其中ρ为信息素挥发因子，τij(t)为虚拟节点
映射到物理节点
的信息素浓度大小，n为虚拟节点的数目。
在下一轮迭代开始之前，恢复底层弹性光网络的资源状态到虚拟请求映射前的初始状态。
下面将结合图4，对本发明的多区域故障下基于灾难预测的蚁群优化虚拟网络映射策略进行更为详细的介绍，具体流程可分为下面几个步骤：
S1：初始化网络拓扑，并通过多区域故障模型评估全局物理路径潜在故障概率。初始化信息素浓度矩阵pher[n][m]，启发式信息矩阵factor[n][m]，转移概率矩阵Prab[n][m]，初始化Antbest＝1000000，转S2；
S2：设置最大迭代次数NI，设置信息素浓度矩阵元素不更新的阈值G，虚拟网络中虚拟节点数目，转S3；
S3：根据虚拟节点排序式(8)对虚拟网络中每个虚拟节点降序排列，转S4；
S4：对排序后的虚拟节点，执行虚拟节点链路协同映射算法，如图5；若虚拟节点全部映射完成，转S5；
S5：计算整个虚拟业务映射完成之后所产生的预期带宽容量损失，转S6；
S6：对信息素浓度矩阵按式(10)进行计算更新，如果数值没有改变，计数器g＝g+1,转S7；
S7：若达到最大迭代次数NI或信息素浓度矩阵不更新g＝G，转步骤S8。
S8：输出虚拟映射优化后的资源分配结果，算法结束。
上述步骤S4中，虚拟节点链路协同映射流程如图5所示，具体步骤为：
S401：根据物理节点排序式(9)对底层弹性光网络中每个物理节点进行降序排序，转S402；
S402：选择顺序列表中第一个虚拟节点将其映射到第一个物理节点，转S403；
S403：找出新添加虚拟节点后即将被映射的虚拟链路集合，并找出满足虚拟节点约束条件的候选物理节点集合。对已映射物理节点到候选物理节点之间运行多商品流算法，计算虚拟链路映射到物理路径后产生的预期的带宽容量损失，记录链路映射结果并计算启发式信息矩阵，转S404；
S404：计算虚拟节点
到物理节点
的转移概率，运用轮盘赌选最合适的物理节点进行映射并更新虚拟节点和链路映射集和，若当前虚拟节点排序中所有虚拟节点已映射完成，转图4所示算法流程图的步骤S5，否则，转S403。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种多区域故障下基于灾难预测的优化虚拟网络映射方法，其特征在于：采用多区域灾难故障评估模型对底层弹性光网络全局物理路径的潜在故障概率进行评估；在虚拟网络映射时将候选链路预期的带宽容量损失作为链路启发式信息，设计虚拟节点-链路协同映射方法，避免相邻虚拟节点映射较远位置导致虚拟链路映射路径过长的问题；该方法包括以下步骤：
S1：根据底层弹性光网络拓扑结构，建立多区域灾难故障评估模型，评估在灾难影响区域内区域风险概率和区域潜在故障概率，计算承载请求业务的底层弹性光网络中所有物理路径的潜在故障概率；
S2：根据虚拟网络请求的资源需求，将虚拟节点按照计算资源和相邻链路带宽权值进行降序排序；底层弹性光网络的物理节点按照节点的剩余计算资源、相邻物理路径带宽和相邻物理路径的潜在故障概率综合权值进行降序排序，将排好顺序的第一个虚拟节点映射到第一个物理节点上；其次，在底层弹性光网络中，计算映射虚拟链路导致底层弹性光网络中物理路径的预期容量损失值，选择预期容量损失最小的物理路径映射虚拟链路，则物理路径的另外一个端点即是所映射虚拟链路的虚拟节点的映射节点；
S3：在剩余虚拟链路和剩余虚拟节点的协同映射中，计算映射虚拟链路初始映射导致底层弹性光网络中物理路径的预期容量损失值为映射的代价函数，根据代价函数构造蚁群算法的链路启发式信息，由蚁群算法的链路启发式信息和信息素浓度选择虚拟链路关联的虚拟节点映射的候选物理节点；在已映射物理节点和候选物理节点之间，根据多商品流策略选择候选路径，从候选路径中选择代价最小的候选物理路径作为虚拟链路映射的物理路径，以此类推，完成虚拟网络请求中其他虚拟链路和虚拟节点的协同映射；
所述步骤S1中多区域灾难故障评估模型的建立方法具体为：
S101：在灾难影响区域内评估灾难对底层弹性光网络中每条物理路径的影响强度，通过灾难中心c到物理路径j的欧氏距离来计算其对物理路径的影响强度，影响强度随着距离的减少呈指数增长；
S102：基于灾难对物理路径的影响强度，根据历史故障数据的经验函数计算物理路径的潜在故障概率，建立多区域灾难故障评估模型；
S103：根据多区域灾难故障评估模型，评估在灾难影响区域中灾难对这一区域所带来的区域风险概率和区域潜在故障概率；
所述S3包括以下步骤：
S301：在剩余虚拟链路和剩余虚拟节点的协同映射中，计算映射虚拟链路初始映射导致底层弹性光网络中物理路径的预期容量损失值为映射代价函数，由代价函数构造蚁群算法的链路启发式信息，根据链路启发式信息和信息素浓度计算蚂蚁的转移概率，寻找其他的候选物理节点；这里的蚂蚁表示虚拟节点映射的候选物理节点，并根据轮盘赌选择转移概率最大的物理节点作为虚拟节点映射的物理节点；
S302：在已映射物理节点到S301步骤选择的候选物理节点之间，运行多商品流策略找到候选的物理路径，并计算各候选物理路径的预期容量损失值，则预期带宽容量损失最小的物理路径就是虚拟链路映射的物理路径；以此类推，完成虚拟网络请求中其他虚拟链路和虚拟节点的协同映射；
所述S3链路启发式信息通过以下方法计算：
在上式中，Lij表示虚拟节点
映射到物理节点
上需要新添加的虚拟链路(i,j)集合，i表示虚拟节点的序号，j表示物理节点的序号；Con(Map(lv))为映射虚拟链路lv到物理路径上需要消耗的带宽资源大小；Mj用以评估在底层弹性光网络中所有物理路径的潜在故障概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910165528.7A CN109743215B (zh) | 2019-03-05 | 2019-03-05 | 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910165528.7A CN109743215B (zh) | 2019-03-05 | 2019-03-05 | 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109743215A CN109743215A (zh) | 2019-05-10 |
| CN109743215B true CN109743215B (zh) | 2022-02-22 |
Family
ID=66369413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910165528.7A Active CN109743215B (zh) | 2019-03-05 | 2019-03-05 | 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109743215B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111431815B (zh) * | 2020-03-23 | 2021-05-28 | 北京智芯微电子科技有限公司 | 虚拟网络映射方法与系统 |
| CN113596632B (zh) * | 2021-07-28 | 2022-05-24 | 北京邮电大学 | 一种无源光网络切片划分方法、装置及系统 |
| CN114205214B (zh) * | 2021-12-10 | 2023-10-03 | 广东电网有限责任公司广州供电局 | 一种电力通信网络故障识别方法、装置、设备及存储介质 |
| WO2023123171A1 (zh) * | 2021-12-30 | 2023-07-06 | 西安电子科技大学 | 基于模式互补的虚拟网络映射的方法、装置和计算机可读存储介质 |
| CN115169690B (zh) * | 2022-07-05 | 2023-04-21 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法 |
| CN117130428B (zh) * | 2022-12-02 | 2024-04-19 | 上海交通大学 | 基于可编程光子芯片的np完全问题实现方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104506337A (zh) * | 2014-11-20 | 2015-04-08 | 北京邮电大学 | 基于区域性故障预测的虚拟网络映射方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108023837B (zh) * | 2016-10-31 | 2020-11-20 | 鸿富锦精密电子(天津)有限公司 | 虚拟网络交换机系统及其建立方法 |
| CN108809672B (zh) * | 2017-04-26 | 2022-04-19 | 中兴通讯股份有限公司 | 一种虚拟端口的管理方法及装置 |
| CN108156041B (zh) * | 2018-01-30 | 2021-08-13 | 重庆邮电大学 | 一种基于安全性感知的差异化虚拟光网络映射方法 |
-
2019
- 2019-03-05 CN CN201910165528.7A patent/CN109743215B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104506337A (zh) * | 2014-11-20 | 2015-04-08 | 北京邮电大学 | 基于区域性故障预测的虚拟网络映射方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| Disaster-prediction based virtual network mapping against multiple regional failures;Xiao Liu等;《2015 IFIP/IEEE international symposium on integrated network management（IM）》;20150702;第371-375页 * |
| 基于灾难预测多区域故障的虚拟光网络生存性协同映射;刘焕淋等;《电子与信息学报》;20200715;全文 * |
| 弹性光网络的多故障生存性虚拟映射方法研究;陈德润;《中国优秀硕士学位论文全文数据库（电子期刊）》;20200115;全文 * |
| 面向SDN的虚拟网络映射算法研究;王健等;《通信学报》;20171025;第26-34页 * |
| 面向区域故障的网络可靠性感知和虚拟网映射方法;柳晓;《中国优秀硕士学位论文全文数据库（电子期刊）》;20180415;第12-28页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109743215A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109743215B (zh) | 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法 | |
| Liao et al. | Density cluster based approach for controller placement problem in large-scale software defined networkings | |
| Rezaeipanah et al. | An energy-aware hybrid approach for wireless sensor networks using re-clustering-based multi-hop routing | |
| Natarajan et al. | An IoT and machine learning‐based routing protocol for reconfigurable engineering application | |
| Tabatabaei et al. | A novel energy-aware clustering method via Lion Pride Optimizer Algorithm (LPO) and fuzzy logic in wireless sensor networks (WSNs) | |
| Konstantopoulos et al. | Effective determination of mobile agent itineraries for data aggregation on sensor networks | |
| CN104995870B (zh) | 多目标服务器布局确定方法和装置 | |
| Taleb et al. | Nodes placement in wireless mesh networks using optimization approaches: a survey | |
| EP3793206B1 (en) | Physical optical network virtualization mapping method and apparatus, and controller and storage medium | |
| CN111526057B (zh) | 一种基于业务类型的网络切片可靠性映射方法 | |
| CN114095075B (zh) | 一种基于业务定制需求感知的光网络故障恢复方法 | |
| CN103259744A (zh) | 一种基于分簇的移动虚拟网络映射方法 | |
| He et al. | Toward a flexible design of SDN dynamic control plane: An online optimization approach | |
| CN105827528A (zh) | 一种适用于频谱灵活光网络的路由选择方法 | |
| Konstantinidis et al. | An evolutionary algorithm to a multi-objective deployment and power assignment problem in wireless sensor networks | |
| Bouzidi et al. | Dynamic clustering of software defined network switches and controller placement using deep reinforcement learning | |
| Kang et al. | Multi-objective optimized connectivity restoring of disjoint segments using mobile data collectors in wireless sensor network | |
| Tyagi et al. | Network resource management mechanisms in SDN enabled WSNs: A comprehensive review | |
| Liao et al. | Live: learning and inference for virtual network embedding | |
| Abdi Seyedkolaei et al. | Multi-criteria decision-making for controller placement in software-defined wide-area networks | |
| Zhang et al. | Resilience of space information network based on combination of complex networks and hypergraphs | |
| Peng et al. | Design and modeling of survivable network planning for software‐defined data center networks in smart city | |
| Wang et al. | Dynamic networking for continuable transmission optimization in leo satellite networks | |
| US20170339049A1 (en) | Methods and systems for failure recovery in a virtual network environment | |
| Wu et al. | An intelligent fuzzy-based routing algorithm for video conferencing service provisioning in software defined networking |
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: 20240710 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 |