CN109981438B - 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 - Google Patents
一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 Download PDFInfo
- Publication number
- CN109981438B CN109981438B CN201910223888.8A CN201910223888A CN109981438B CN 109981438 B CN109981438 B CN 109981438B CN 201910223888 A CN201910223888 A CN 201910223888A CN 109981438 B CN109981438 B CN 109981438B
- Authority
- CN
- China
- Prior art keywords
- satellite
- network
- sdn
- state
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/46—Interconnection of networks
- H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/829—Topology based
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Radio Relay Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,具体包括以下步骤:A、设计SDN/NFV协同部署卫星网络模型:A1、SDN实现控制层和数据层的分离;在卫星网络架构中GEO卫星实现SDN控制层功能,MEO/LEO层卫星履行NFV职责;A2、基于卫星网络的软件定义网络和网络功能虚拟化协同部署框架将卫星网络分为编排平面、控制平面和数据平面;B、建立隐马尔科夫模型:将业务编排过程转化为隐马尔科夫模型,优化求解隐马尔科夫链的MLB‑Viterbi算法,找到合适的迁移目标,实现在保证负载均衡情况下迁移代价最小。本方法实现了网络资源的优化分配和负载均衡。
Description
技术领域
本发明涉及卫星网络中软件定义网络(SDN)和网络功能虚拟化(NFV)的协同部署,具体说是一种基于卫星网络的服务链编排的负载均衡优化算法。
背景技术
卫星网络在当今通信领域有着非常重要的作用,它的特点是无论何时何地都能提供高容量和无处不在的连接,具有统一的服务质量(Quality of Service,QoS)和广域广播能力。它在军用、民用和商用领域都发挥着重要的作用。随着服务需求不断扩大,传统卫星已经无法满足用户需求,存在服务功能扩拓展性差,网络维护成本高、管理体系分散等缺点。
针对这种情况,引入软件定义网络(Software Defined Networking,SDN)和网络功能虚拟化(Network Functions Virtualization,NFV)协同部署框架到卫星网络中。SDN控制面作为整个卫星网络管控器,实现全局管理和配置,收集数据面发送的数据包,进行流表的处理与分类转发等。NFV在数据面进行物理资源的虚拟化和业务功能的实现。并在SDN控制下进行网络功能动态地创建、链接和释放,资源按需分配,业务灵活部署。为了满足不同的业务请求,根据底层物理网络虚拟化的各种网络功能,卫星网络依照指定的策略有序经过若干个虚拟化网络功能(Virtualized Network Functions,VNFs),该有序的功能集合被称为服务链(Service Function Chaining,SFC)。
SDN与NFV的协同部署能有效增强卫星网络的灵活性和可拓展性,根据业务需求动态实例化,达到基础设施资源的共享。SFC根据业务动态编排网络功能服务,并映射到底层物理网络。然而由于业务请求的不断到达和结束以及网络流量的动态性,导致整个网络很难均衡发展,利用率高的链路难以保证服务质量,利用率低的链路存在资源浪费。一方面,网络存在整体轻载、局部重载的情况;另一方面,很难保证所承载业务的QoS。
随着SDN与NFV技术观点的提出,SFC的优化编排是亟待解决问题之一。Rashid等人描述了网络功能虚拟化的现状和研究挑战。提出了NFV与SDN结合的可能性并指出在单个交换机中执行很多流匹配将导致网络拥塞和过载恶性循环问题,但没有提出解决方案。Lee等人提出了一种简单的基于数据平面的SFC自恢复方法,减少SFC迁移时间,但是不能保证迁移后的SFC性能。Liu等人将流更新问题建模为以最小化迁移时间为目标的混合整数规划问题,同时考虑了流表空间、CPU容量和链路带宽三个约束,但是其提出的多步迁移方法无法保障QoS。Zhang等人提出了一种基于马尔科夫决策过程的网络功能动态分配策略,并利用机器学习方法动态预测资源可靠性,但是其仅仅考虑了资源代价和可靠性,忽略了节点间的负载均衡。SFC的编排属于NP-hard问题,上述这些方法在合理时间内只能解决搜索空间小的问题,对于卫星网络中搜索空间大的问题无法在多项式时间内获得最优解。
发明内容
为解决现有技术存在上述问题,本申请提供一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,实现网络资源的优化分配和负载均衡。
为实现上述目的,本申请的技术方案为:一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,具体包括以下步骤:
A、设计SDN/NFV协同部署卫星网络模型
A1、SDN实现控制层和数据层的分离;在卫星网络架构中GEO卫星实现SDN控制层功能,MEO/LEO层卫星履行NFV职责;
A2、基于卫星网络的软件定义网络和网络功能虚拟化协同部署框架将卫星网络分为编排平面、控制平面和数据平面;
B、建立隐马尔科夫模型
将业务编排过程转化为隐马尔科夫模型,优化求解隐马尔科夫链的MLB-Viterbi算法(Minimum migration cost for Load Balancing-Viterbi,MLB-Viterbi),找到合适的迁移目标,实现在保证负载均衡情况下迁移代价最小。
进一步的,编排平面集中化管理网络VNFs,并根据GEO收集到的业务需求构建编排策略来管控空间网络资源;控制平面根据业务需求和编排平面收集到的VNFs信息定义逻辑功能链顺序,GEO作为SDN控制器接收业务功能发送的数据报文信息和MEO、LEO资源信息,并按照一定的编排策略将VNFs和虚拟链路实例化,进而形成具体服务路径;数据平面大部分集中在中低轨卫星上,接收GEO控制平面下发的编排规则,对所需功能执行具体实例化和链接,同时将MEO、LEO的网络状态和资源信息发送给控制平面。
进一步的,MLB-Viterbi算法实现卫星网络中VNF业务编排的具体步骤如下:
第一步,初始化:SDN控制器解析当前时间片下网络拓扑连接情况和底层网络资源剩余状态,统计重构服务链需要迁移的VNFs;
第二步,配置优化目标矩阵:将初始化数据拓扑及资源情况建模为X=[xij]N×N,其中xij表示资源限制条件以及卫星拓扑断链情况,满足所有限制条件,若在该时间片下两节点之间有通讯连接则xij=1,反则xij=0;建模负载均衡矩阵Y=[yi]N×N,yi为每个卫星节点的资源包括带宽、CPU和内存使用量;针对每一个需要迁移的服务功能找到适合目标卫星节点,每一个被迁移的服务计算迁移收益Z=[zij]N×N,zij为实际收益大小;
第四步:在t-1时刻对每一个状态i求解所需状态Gt-1的概率,记此概率为δt-1(i),有:
δt-1(i)=πibi(Gt-1)
同时,记录迁移的概率最大路径的上一个时刻选择的状态ψt-1(i),其中πi为t=1时状态i转移概率矩阵;bi为状态i的观测概率矩阵
第五步:在t时刻,对每一个可能的状态i,求t-1时刻状态为Gt-1,t时刻状态为Gt的路径的最大概率,记此最大概率为δt(i),有:
同时记录状态最大路径的前一个状态:
进一步的,资源限制条件具体为:所选择的迁移到的卫星节点,剩余带宽资源必须大于迁移所需带宽资源,因此限制条件为:
所选择迁移到的卫星节点剩余CPU资源大于需要迁移的CPU资源:
所选择迁移到的卫星节点剩余内存容量大于需要迁移的内存占用:
所选择迁移到的卫星节点必须支持迁移该VNF功能:
其中:
S为服务链总条数;I为SFC中VNFs个数;表示第k条服务链的第i个VNF所需带宽资源;表示第k条服务链的第i个VNF所需CPU资源;表示第k条服务链的第i个VNF所需内存资源;fi k表示第k条服务链的第i个VNF需要虚拟的网络功能;N表示卫星节点总数,j表示第j个卫星节点。
更进一步的,实际收益大小具体为:
其中为部署该SFC获得的收益,uj为目的节点所剩资源,其值为三种资源的加权和uj=w1Bj+w2Cj+w3Mj,满足约束条件:w1+w2+w3=1,由VNF所需的资源比重确定;为需要传输的状态信息,表示编排所需要的更新流表的数量。
更进一步的,观测序列实际为底层物理网络节点资源情况,设底层物理网络抽象为无向图G=(N,L),N表示节点集合,L为链路集合;底层物理网络上不同时刻每个节点的资源情况表示为O={G1,G2…,Gt-1,Gt},由于每一个Gt=(Nt,Lt)由节点和链路构成,其中节点Nt={n1,...,nj,...,n|N|}表示t时刻底层网络|N|个节点剩余资源容量,容量包括资源有:带宽、CPU、内存使用量和支持映射的VNF类型,分别表示为Bj、Cj、Mj和Fj,因此节点多维性能属性向量为nj:(Bj,Cj,Mj,Fj);由于O={G1,G2…,Gt-1,Gt}由SDN控制器解析得到,故将其建模为隐马尔科夫链的观测序列。
更进一步的,假设t时刻需要进行重构的SFC集合为SCt={sc1,…,sck,…,sc|S|},其中|S|为集合SC中SFC条数;sck中需要重新编排的VNF集合为待编排的所需的带宽、CPU、内存使用量和编排的VNF类型分别表示为和fi k,因此,第i个被编排的可以建模为
本发明由于采用以上技术方案,能够取得如下的技术效果:
1、本发明设计软件定义网络和网络功能虚拟化协同部署的卫星网络功能框架,有效增强卫星网络的灵活性和可拓展性,根据业务需求动态实例化,达到基础设施资源的共享。
2、MLB-Viterbi算法通过将过载VNF节点迁移至其他符合条件的可能节点,优化服务链的业务编排,保证在负载均衡的情况下降低迁移代价。
附图说明
图1是SFC迁移前后示意图;
图2是隐马尔科夫模型图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细的描述:以此为例对本申请做进一步的描述说明。
针对节点负载不均衡引发的局部拥塞问题,通过将重载的部分VNFs迁移至其他节点,从而实现SFC的优化。将业务编排过程转化为隐马尔科夫模型,优化求解隐马尔科夫链的Viterbi算法(Minimum migration cost for Load Balancing-Viterbi,MLB-Viterbi),找到合适的迁移目标,实现在保证负载均衡情况下迁移代价最小。
本实施例提供一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,具体包括以下步骤:
A、设计SDN/NFV协同部署卫星网络模型
A1、SDN实现控制层和数据层的分离,增强网络的可重用性,降低网络设备的复杂度,提高网络的灵活性,更加有利于实现对网络的管理和控制。GEO卫星相对地面接收站静止使得星地链路更加稳定且GEO的覆盖率更高。在卫星网络架构中GEO卫星能较好实现SDN控制层功能,MEO/LEO层卫星履行NFV职责。
A2、基于卫星网络的软件定义网络和网络功能虚拟化协同部署框架将卫星网络分为编排平面、控制平面和数据平面。编排平面主要作用是集中化管理网络VNFs,并根据GEO收集到的业务需求构建编排策略来管控空间网络资源。控制平面根据业务需求和编排平面收集到的VNFs信息定义逻辑功能链顺序。GEO作为SDN控制器接收业务功能发送的数据报文信息和MEO、LEO资源信息,并按照一定的编排策略将VNFs和虚拟链路实例化,进而形成具体服务路径。数据平面主要集中在中低轨卫星上,其主要作用是接收GEO控制平面下发的编排规则,对所需功能执行具体实例化和链接。同时将MEO、LEO的网络状态和资源信息发送给控制平面。
B、建立隐马尔科夫模型
在SDN/NFV协同部署架构中,无论是业务需求还是网络拓扑都呈现出动态变化的特性。在网络拓扑方面,由于卫星的高动态性,导致卫星网络中卫星节点连接不稳定,网络拓扑多变;在业务需求方面,业务的变化或任务的增加,造成VNF的负载实时变化,导致SFC映射到的底层物理网络节点上负载过大。对SFC进行编排重构,既需要保障QoS情况下实现网络负载均衡,又需要在重构过程中保证迁移代价最小化。
本发明的优化目标是设计SFC重构编排策略,实现负载均衡的情况下迁移代价最小,即重构效用最大化。因此,可将SFC重构效用最大化问题模型如下:
编排所需要的带宽、CPU、内存使用量和编排的VNF类型都必须在卫星节点资源可利用范围内。所选择的迁移到的卫星节点,剩余带宽资源必须大于迁移所需带宽资源,因此限制条件为:
所选择迁移到的卫星节点剩余CPU资源大于需要迁移的CPU资源:
所选择迁移到的卫星节点剩余内存容量大于需要迁移的内存占用:
所选择迁移到的卫星节点必须支持迁移该VNF功能:
其中:
优化目标(1)式表示总的编排效用,模型的目标是使得所有SFC重构的效用最大。SFC的业务编排受到以下几个因素的影响。一是编排效用与网络承载该业务流获得的收益呈正相关,收益越高,SFC的重构效用越大。二是编排效用与选择的迁移目的节点可用资源呈正相关,可用资源越多,迁移意愿越高。三是需要进行迁移的VNF状态信息,该状态信息数据量越大,迁移所消耗的存储资源和链路资源越多,与编排效用呈负相关。四是SFC编排迁移涉及到业务流量的重新路由,因此需要在新路径的交换机中增加相应的流表,卫星网络中的GEO层中心控制器更新数据平面流表,重构编排需要的新流表越多,消耗的控制资源越多,与编排效用呈负相关。因此,本章的效用函数定义如下:
其中为部署该SFC获得的收益,uj为目的节点所剩资源,其值为三种资源的加权和uj=w1Bj+w2Cj+w3Mj,满足约束条件:w1+w2+w3=1,由VNF所需的资源比重确定。为需要传输的状态信息,表示编排所需要的更新流表的数量,为了计算简便,这里简化为所引发流表更新的交换机的数量。
设底层物理网络抽象为无向图G=(N,L),N表示节点集合,L为链路集合。底层物理网络上不同时刻每个节点的资源情况表示为O={G1,G2…,Gt-1,Gt},由于每一个Gt=(Nt,Lt)由节点和链路构成,其中节点Nt={n1,...,nj,...,n|N|}表示t时刻底层网络|N|个节点剩余资源容量,容量包括资源有:带宽、CPU、内存使用量和支持映射的VNF类型,分别表示为Bj、Cj、Mj和Fj,因此节点多维性能属性向量为nj:(Bj,Cj,Mj,Fj)。由于O={G1,G2…,Gt-1,Gt}可以由SDN控制器解析得到,可将其建模为隐马尔科夫链的观测序列。
假设t时刻需要进行重构的SFC集合为SCt={sc1,…,sck,…,sc|S|},其中|S|为集合SC中SFC条数。sck中需要重新编排的VNF集合为待编排的所需的带宽、CPU、内存使用量和编排的VNF类型分别表示为和fi k,因此,第i个被编排的可以建模为
Viterbi算法的目的是根据观测状态、状态转移矩阵和观测概率矩阵找出一条最优路径。但是由于卫星网络中是多目标求解动态规划问题,传统Viterbi算法是针对一个观测序列寻找事件的隐含状态序列,并不能保证节点间的负载均衡下实现重构效用最大,因此提出来优化的MLB-Viterbi算法解决问题。
在MLB-Viterbi算法中,将Viterbi算法中的一个状态转移矩阵分裂为三个矩阵,分别满足资源限制、负载均衡和迁移代价三个条件进行优化:
(1)VNF编排问题必须满足底层物理网络中卫星节点的资源限制、允许编排的VNF类型及卫星网络拓扑连接情况。因此1号状态转移矩阵表示为X=[xij]N×N,其中xij表示(2)~(5)中的资源限制条件以及卫星拓扑断链情况,满足所有限制条件,若在该时间片下两节点之间有通讯连接则xij=1,反则xij=0。
(2)保证负载均衡。在选择资源迁移的过程,应该尽量让卫星节点资源剩余较多的节点拥有更大的可能得到迁移。因此2号状态转移矩阵表示为Y=[yi]N×N,每个卫星节点的资源包括带宽、CPU和内存使用量。CPU资源比重最为重要,将其赋予50%权重,其他资源各占25%,因此
(3)效用最大化。效用最大化即迁移代价最小,迁移效用表达式为(6),因此3号状态矩阵表示为Z=[zij]N×N,其中zij是(6)式中实际收益大小。
MLB-Viterbi算法中的状态转移矩阵由以上三个矩阵共同组成,在求解隐马尔科夫模型的过程中,采用动态规划选择最大概率的迁移策略,即求得结果保证节点间的负载均衡情况下重构效用最大。
综上所述,MLB-Viterbi算法实现卫星网络中VNF业务编排的具体步骤如下:
第一步:初始化。SDN控制器解析当前时间片下网络拓扑连接情况和底层网络资源剩余状态。统计重构服务链需要迁移的VNFs。
第二步:配置优化目标矩阵。将初始化数据拓扑及资源情况建模为X=[xij]N×N;建模负载均衡矩阵Y=[yi]N×N;针对每一个需要迁移的服务功能找到适合目标卫星节点的问题,对每一个被迁移的服务计算迁移收益Z=[zij]N×N。
第四步:在t-1时刻对每一个状态i求解所需状态Gt-1的概率,记此概率为δt-1(i),有:
δt-1(i)=πibi(Gt-1)
同时,记录迁移的概率最大路径的上一个时刻选择的状态ψt-1(i)。
第五步:在t时刻,对每一个可能的状态i,求t-1时刻状态为Gt-1,t时刻状态为Gt的路径的最大概率,记此最大概率为δt(i),有:
同时记录状态最大路径的前一个状态:
图1(a)中,三条曲线分别对应三条SFC,每个节点都可以虚拟化网络功能,其中n2和n3节点都可以进行防火墙功能的虚拟化:曲线SFC1依次经过节点n1→n2→n4,曲线SFC2依次经过节点n2→n3→n4,曲线SFC3依次经过节点n1→n3。假设n3上经过的两条SFC都需要进行虚拟防火墙的功能,但是所剩资源不能够承载两条链路的资源需求,无法拉起更多的防火墙实例,导致n3重载甚至过载。这种情况将无法保证链路的顺利连接和QoS,以及违反了SLA协议。这时可以把n3部分防火墙功能迁移至附近节点,如图1(b)所示,将n3节点的防火墙功能迁移到n2,SFC3分别经过n1→n3,n1→n2。最终满足了业务需求,保证了QoS,并实现了负载均衡。
然而,由于节点n3上并没有所迁移流的处理状态,防火墙功能迁移时没有进行安全检测,可能会发生某些被攻击行为。如若暂时停止SFC3的通信,等待SFC2链路通过后再进行SFC3的构建,更新n3上的防火墙功能状态后再重新发送,但是会导致某些业务的中断,降低通信服务体验。此外,某些状态必须进行准确地迁移,否则也会影响业务质量。为了保证迁移过程中VNFs状态的性能和准确性,需要SDN控制平面进行实时监控,与数据平面卫星节点间协同交互,快速、完整地将VNFs映射到卫星网络拓扑中并进行有效迁移。同时编排平面实时管控VNFs资源状态,使编排过程对控制平面保持透明。
图2表示在隐马尔科夫模型图中,状态序列表示为各时刻SFC的VNFs逻辑序列,观测序列表示为各时刻SFC的VNFs映射到底层物理网络的具体服务路径,实质是VNFs在MEO、LEO上网络功能的实例化,虚拟化层表示SFC需要虚拟化的网络功能。状态序列中t-2时刻一条SFC依次遍历四个VNFs,在t-1时刻所需VNF2存在资源不足和负载过重时,可将部分VNF2功能迁移出来。由于卫星网络复杂多变、资源有限,在t时刻可能所需更多的VNFs资源,可以进行更多的VNF功能的迁移。
将需要编排的VNFs逻辑链路表示为有向图矩阵gt=[aij]n×n,aij为1代表VNFi→VNFj有连接,若为0则代表无连接,若aii=n>1则表示所在节点资源负载过大,需要迁移到其它n-1个节点。各个时刻的VNFs逻辑链路拓扑图用S={g1,g2,…,gt-1,gt}表示,将其建模为隐马尔科夫链的状态序列。本发明的优化目标是迁移过程使得SFC负载均衡的效用最大,即计算gt-1→gt在实现负载均衡的情况下迁移代价最小的编排策略,前一时刻与该时刻的迁移关系称为状态转移矩阵。决策同时需要考虑卫星节点、底层物理资源、连接边的软硬件容量等限制条件。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (7)
1.一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,其特征在于,具体包括以下步骤:
A、设计SDN/NFV协同部署卫星网络模型
A1、SDN实现控制层和数据层的分离;在卫星网络架构中GEO卫星实现SDN控制层功能,MEO/LEO层卫星履行NFV职责;
A2、基于卫星网络的软件定义网络和网络功能虚拟化协同部署框架将卫星网络分为编排平面、控制平面和数据平面;
B、建立隐马尔科夫模型
将业务编排过程转化为隐马尔科夫模型,优化求解隐马尔科夫链的MLB-Viterbi算法,找到合适的迁移目标,实现在保证负载均衡情况下迁移代价最小;
MLB-Viterbi算法实现卫星网络中VNF业务编排的具体步骤如下:
第一步,初始化:SDN控制器解析当前时间片下网络拓扑连接情况和底层网络资源剩余状态,统计重构服务链需要迁移的VNFs;
第二步,配置优化目标矩阵:将初始化数据拓扑及资源情况建模为X=[xij]N×N,其中xij表示资源限制条件以及卫星拓扑断链情况,满足所有限制条件,若在该时间片下两节点之间有通讯连接则xij=1,反则xij=0;建模负载均衡矩阵Y=[yi]N×N,yi为每个卫星节点的资源包括带宽、CPU和内存使用量;针对每一个需要迁移的服务功能找到适合目标卫星节点,每一个被迁移的服务计算迁移收益Z=[zij]N×N,zij为实际收益大小;
第四步:在t-1时刻对每一个状态i求解所需状态Gt-1的概率,记此概率为δt-1(i),有:
δt-1(i)=πibi(Gt-1)
同时,记录迁移的概率最大路径的上一个时刻选择的状态ψt-1(i),其中πi为t=1时状态i转移概率矩阵;bi为状态i的观测概率矩阵;
第五步:在t时刻,对每一个可能的状态i,求t-1时刻状态为Gt-1,t时刻状态为Gt的路径的最大概率,记此最大概率为δt(i),有:
同时记录状态最大路径的前一个状态:
2.根据权利要求1所述一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,其特征在于,编排平面集中化管理网络VNFs,并根据GEO收集到的业务需求构建编排策略来管控空间网络资源;控制平面根据业务需求和编排平面收集到的VNFs信息定义逻辑功能链顺序,GEO作为SDN控制器接收业务功能发送的数据报文信息和MEO、LEO资源信息,并按照一定的编排策略将VNFs和虚拟链路实例化,进而形成具体服务路径;数据平面大部分集中在中低轨卫星上,接收GEO控制平面下发的编排规则,对所需功能执行具体实例化和链接,同时将MEO、LEO的网络状态和资源信息发送给控制平面。
3.根据权利要求1所述一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,其特征在于,资源限制条件具体为:所选择的迁移到的卫星节点,剩余带宽资源必须大于迁移所需带宽资源,因此限制条件为:
所选择迁移到的卫星节点剩余CPU资源大于需要迁移的CPU资源:
所选择迁移到的卫星节点剩余内存容量大于需要迁移的内存占用:
所选择迁移到的卫星节点必须支持迁移该VNF功能:
其中:
6.根据权利要求1所述一种面向SDN和NFV协同部署框架的卫星网络负载均衡方法,其特征在于,观测序列实际为底层物理网络节点资源情况,设底层物理网络抽象为无向图G=(N,L),N表示节点集合,L为链路集合;底层物理网络上不同时刻每个节点的资源情况表示为O={G1,G2…,Gt-1,Gt},由于每一个Gt=(Nt,Lt)由节点和链路构成,其中节点Nt={n1,...,nj,...,n|N|}表示t时刻底层网络|N|个节点剩余资源容量,容量包括资源有:带宽、CPU、内存使用量和支持映射的VNF类型,分别表示为Bj、Cj、Mj和Fj,因此节点多维性能属性向量为nj:(Bj,Cj,Mj,Fj);由于O={G1,G2…,Gt-1,Gt}由SDN控制器解析得到,故将其建模为隐马尔科夫链的观测序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223888.8A CN109981438B (zh) | 2019-03-22 | 2019-03-22 | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223888.8A CN109981438B (zh) | 2019-03-22 | 2019-03-22 | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109981438A CN109981438A (zh) | 2019-07-05 |
CN109981438B true CN109981438B (zh) | 2021-03-02 |
Family
ID=67080201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910223888.8A Active CN109981438B (zh) | 2019-03-22 | 2019-03-22 | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109981438B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401478B (zh) * | 2019-07-22 | 2023-02-28 | 上海微小卫星工程中心 | 一种基于sdn技术的空间信息网络管控方法 |
CN111130621A (zh) * | 2019-12-17 | 2020-05-08 | 中国卫通集团股份有限公司 | 一种基于sdn和nfv的卫星网络架构 |
CN111313957B (zh) * | 2020-02-12 | 2020-10-23 | 军事科学院系统工程研究院网络信息研究所 | 基于分类多目标优化的混合卫星通信系统资源分配方法 |
CN111538587B (zh) * | 2020-03-06 | 2022-04-29 | 重庆邮电大学 | 一种基于负载均衡的服务功能链重配置方法 |
CN111385202B (zh) * | 2020-03-17 | 2022-03-11 | 重庆邮电大学 | 一种基于虚拟网络功能的路由分配方法 |
CN111800181B (zh) * | 2020-05-29 | 2022-03-04 | 西安空间无线电技术研究所 | 一种确定卫星异质信息网络节点重要度的方法及装置 |
CN111953402B (zh) * | 2020-08-04 | 2021-04-20 | 北京和德宇航技术有限公司 | 一种信道忙闲状态估计方法、装置、设备及存储介质 |
CN112104408B (zh) * | 2020-09-23 | 2021-06-22 | 北京邮电大学 | 一种虚拟网络的映射方法及装置 |
CN112272381B (zh) * | 2020-10-22 | 2022-08-30 | 大连大学 | 一种卫星网络任务部署方法和系统 |
CN113015196B (zh) * | 2021-02-23 | 2022-05-06 | 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 |
CN112860384A (zh) * | 2021-03-15 | 2021-05-28 | 南京邮电大学 | 一种面向多维资源负载均衡的vnf复用和迁移方法 |
CN113190344B (zh) * | 2021-03-26 | 2023-12-15 | 中国科学院软件研究所 | 一种面向软件定义卫星的神经网络动态重构部署的方法以及装置 |
CN113099506B (zh) * | 2021-03-31 | 2022-08-02 | 上海交通大学 | 软件定义卫星网络中基于链路时效的路由方法及系统 |
CN114710196B (zh) * | 2022-03-24 | 2023-07-18 | 重庆邮电大学 | 一种软件定义卫星网络虚拟网络功能迁移方法 |
CN115133973A (zh) * | 2022-05-20 | 2022-09-30 | 清华大学 | 一种卫星轻量级分布式编排系统及方法 |
CN115665258B (zh) * | 2022-10-21 | 2023-04-18 | 南京航空航天大学 | 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法 |
CN115617279B (zh) * | 2022-12-13 | 2023-03-31 | 北京中电德瑞电子科技有限公司 | 分布式云数据的处理方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059650A (zh) * | 2016-05-24 | 2016-10-26 | 北京交通大学 | 基于sdn和nfv技术的天地一体化网络架构及数据传输方法 |
CN107770096A (zh) * | 2017-12-11 | 2018-03-06 | 国网河南省电力公司信息通信公司 | 一种基于负载均衡的sdn/nfv网络动态资源分配算法 |
CN108055070A (zh) * | 2017-08-02 | 2018-05-18 | 大连大学 | 混合虚网映射方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10581523B2 (en) * | 2017-04-26 | 2020-03-03 | Loon Llc | Temporospatial software-defined networking for NGSO satellite networks |
-
2019
- 2019-03-22 CN CN201910223888.8A patent/CN109981438B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059650A (zh) * | 2016-05-24 | 2016-10-26 | 北京交通大学 | 基于sdn和nfv技术的天地一体化网络架构及数据传输方法 |
CN108055070A (zh) * | 2017-08-02 | 2018-05-18 | 大连大学 | 混合虚网映射方法 |
CN107770096A (zh) * | 2017-12-11 | 2018-03-06 | 国网河南省电力公司信息通信公司 | 一种基于负载均衡的sdn/nfv网络动态资源分配算法 |
Non-Patent Citations (4)
Title |
---|
Multi-Service Routing Algorithm Based on GEOLEO Satellite Networks;Li Yang;《2016 International Conference on Network and Information Systems for Computers (ICNISC)》;20170612;全文 * |
一种GEO_LEO双层卫星网络路由算法及仿真研究;杨力;《宇航学报》;20121031;第33卷(第10期);全文 * |
基于SDN_NFV的天地一体化网络架构研究;张寒;《军事通信技术》;20170630;全文 * |
基于域间协作的星地多域网络服务编排;李光磊;《第十三届卫星通信学术年会》;20170302;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109981438A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109981438B (zh) | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 | |
CN109714219B (zh) | 一种基于卫星网络的虚拟网络功能快速映射方法 | |
CN108260169B (zh) | 一种基于QoS保障的服务功能链动态部署方法 | |
CN104115165B (zh) | 使用机器学习来用于映射媒体组件的方法 | |
CN108897606B (zh) | 多租户容器云平台虚拟网络资源自适应调度方法及系统 | |
Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
Li et al. | Adaptive service function chaining mappings in 5G using deep Q-learning | |
CN108307435A (zh) | 一种基于sdsin的多任务路由选择方法 | |
CN111865668B (zh) | 一种基于sdn和nfv的网络切片方法 | |
CN113490279B (zh) | 一种网络切片配置方法及装置 | |
CN115665258B (zh) | 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法 | |
CN116032767A (zh) | 一种面向智融标识网络的算力服务链管控系统架构 | |
Varasteh et al. | Power-aware virtual network function placement and routing using an abstraction technique | |
Quang et al. | Evolutionary actor-multi-critic model for VNF-FG embedding | |
Triki et al. | A green energy-aware hybrid virtual network embedding approach | |
Qi et al. | SDN-based dynamic multi-path routing strategy for satellite networks | |
Xiang et al. | Resource calendaring for mobile edge computing: centralized and decentralized optimization approaches | |
Bu et al. | Towards delay-optimized and resource-efficient network function dynamic deployment for VNF service chaining | |
Nguyen et al. | Efficient virtual network embedding with node ranking and intelligent link mapping | |
CN110138830A (zh) | 基于超图分割的跨数据中心任务调度与带宽分配方法 | |
Pan et al. | Satellite network load balancing strategy for SDN/NFV collaborative deployment | |
CN115225512B (zh) | 基于节点负载预测的多域服务链主动重构机制 | |
Hamzaoui et al. | Parallel, proactive and power efficient virtual network embedding in a green and distributed SD-ODCN architecture | |
Dafda et al. | Dynamic load balancing in sdn using energy aware routing and optimization algorithm | |
He et al. | QoS-Aware and Resource-Efficient Dynamic Slicing Mechanism for Internet of Things. |
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 |