CN110099415A - 一种基于流量预测的云无线接入网计算资源分配方法及系统 - Google Patents

一种基于流量预测的云无线接入网计算资源分配方法及系统 Download PDF

Info

Publication number
CN110099415A
CN110099415A CN201910354129.5A CN201910354129A CN110099415A CN 110099415 A CN110099415 A CN 110099415A CN 201910354129 A CN201910354129 A CN 201910354129A CN 110099415 A CN110099415 A CN 110099415A
Authority
CN
China
Prior art keywords
bbu
resource allocation
bfd
vnf
prediction
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
CN201910354129.5A
Other languages
English (en)
Other versions
CN110099415B (zh
Inventor
曹斌
王志朋
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 Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201910354129.5A priority Critical patent/CN110099415B/zh
Publication of CN110099415A publication Critical patent/CN110099415A/zh
Application granted granted Critical
Publication of CN110099415B publication Critical patent/CN110099415B/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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于流量预测的云无线接入网计算资源分配方法及系统，该云无线接入网计算资源分配方法包括：预测步骤：预测T时刻长度业务的流量；计算判断步骤：计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配。本发明的有益效果是：该云无线接入网计算资源分配方法避免不必要的VNF迁移，降低了云无线接入网的通信业务的波动，同时降低了BBU池的能耗。

Description

一种基于流量预测的云无线接入网计算资源分配方法及系统
技术领域
本发明涉及通信技术领域(5G)，尤其涉及一种基于流量预测的云无线接入网计算资源分配方法及系统。
背景技术
云无线接入网主要采用网络功能虚拟化(NFV)和软件定义网络(SDN)将接入网的基带处理单元BBU进行虚拟化。而虚拟化带来了云无线接入网基带处理单元共享，实现了计算资源的灵活分配，能够降低运营商的运维成本和部署代价。在云无线接入网中主要通过虚拟网络功能(VNF)实现计算资源的共享。为了降低云无线接入网的运维时能耗，一些文献对云无线接入网的计算资源进行了算法设计；这些文献均根据实时的计算资源需求将资源分配建模为背包问题。F.Zhang采用基于first-fit(FF)算法的遗传算法来实现BBU池的计算资源分配。M.Y.Lyazidi采用IBM的CPLEX软件进行求解。K.Wang采用best-fit-decreasing(BFD)来最小化BBU池的能耗。
上述的计算资源分配方案均没有考虑虚拟化特性对云无线接入网架构性能的影响。对于VNF动态的使用BBU的时候，VNF的性能指标会发生波动，一些文献指出当VNF服务的业务发生变化时，通常网络架构对VNF将Scale-down或者Scale-out，造成BBU的利用率低或者资源不足，为了降低运维时的能耗，以及提供足够的计算资源，VNF发生了合并和负载均衡操作，即VNF迁移。VNF迁移往往会导致性能的急剧下降，造成通信实时业务的波动。而采用上节文献提供的计算资源分配方案，其云无线接入网对业务波动过于敏感，造成网络架构的频繁波动，极大的影响通信质量。
发明内容
本发明提供了一种基于流量预测的云无线接入网计算资源分配方法，包括：
预测步骤：预测T时刻长度业务的流量；
计算判断步骤：计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配；
所述基于BFD的离散粒子群算法，包括：
第一步：根据BFD算法确定BBU开启的个数；
第二步：粒子初始化；
第三步：由fitness函数计算全局最优和粒子最优；
第四步：粒子更新；
第五步：计算fitness更新全局最优和粒子最优；
第六步：判断是否满足终止条件，若是，则结束，否则执行第四步；
BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题的算法；
BBU是基带处理单元。
作为本发明的进一步改进，在基于BFD的离散粒子群算法中，根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同；在所述第六步中，判断是否满足终止条件是指：粒子的最优值在最大迭代次数的一半不发生变化，或者满足最大迭代次数。
作为本发明的进一步改进，所述BFD算法包括：
第1步：未分配VNF集合按计算资源需求降序排序；
第2步：判断VNF集合是否为空，若是，那么结束，否则执行第3步；
第3步：BBU集合按剩余资源升序排序；
第4步：判断BBU能否满足第一个VNF需求，若是，选择该VNF分配给首个满足计算需求的BBU，否则开启未分配集合中任一BBU并将该VNF分配；
第5步：更新BBU集合和未配VNF集合以及BBU的剩余资源；然后执行第2步。
作为本发明的进一步改进，在所述预测步骤中，采用多步时间预测T时刻长度业务的流量，多步时间预测是根据历史的数据预测未来一段时间的数据，多步时间预测采用迭代型的多步时间预测。
作为本发明的进一步改进，
通过数据接收模块接收云无线接入网的网络和用户信息；
通过数据处理模块对数据接收模块信息的预处理和数据分析，数据预处理是将网络架构记录的信息进行格式化、并进行清洗、过滤、存储到数据库中，数据分析包括数据可视化、网络级预测、网络诊断；
优化器根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解，运行预测步骤和计算判断步骤，获得资源分配方案；
控制器实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的资源分配方案动态的分配VNF到BBU单元。
本发明还提供了一种基于流量预测的云无线接入网计算资源分配系统，包括：
预测单元：用于预测T时刻长度业务的流量；
计算判断单元：用于计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配；
所述基于BFD的离散粒子群算法，包括：
第一步：根据BFD算法确定BBU开启的个数；
第二步：粒子初始化；
第三步：由fitness函数计算全局最优和粒子最优；
第四步：粒子更新；
第五步：计算fitness更新全局最优和粒子最优；
第六步：判断是否满足终止条件，若是，则结束，否则执行第四步；
BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题的算法；
BBU是基带处理单元。
作为本发明的进一步改进，在基于BFD的离散粒子群算法中，根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同；在所述第六步中，判断是否满足终止条件是指：粒子的最优值在最大迭代次数的一半不发生变化，或者满足最大迭代次数。
作为本发明的进一步改进，所述BFD算法包括：
第1步：未分配VNF集合按计算资源需求降序排序；
第2步：判断VNF集合是否为空，若是，那么结束，否则执行第3步；
第3步：BBU集合按剩余资源升序排序；
第4步：判断BBU能否满足第一个VNF需求，若是，选择该VNF分配给首个满足计算需求的BBU，否则开启未分配集合中任一BBU并将该VNF分配；
第5步：更新BBU集合和未配VNF集合以及BBU的剩余资源；然后执行第2步。
作为本发明的进一步改进，在所述预测单元中，采用多步时间预测T时刻长度业务的流量，多步时间预测是根据历史的数据预测未来一段时间的数据，多步时间预测采用迭代型的多步时间预测。
作为本发明的进一步改进，该云无线接入网计算资源分配系统还包括：
数据接收模块：用于接收云无线接入网的网络和用户信息；
数据处理模块：用于对数据接收模块信息的预处理和数据分析，数据预处理是将网络架构记录的信息进行格式化、并进行清洗、过滤、存储到数据库中，数据分析包括数据可视化、网络级预测、网络诊断；
优化器：用于根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解，运行预测单元和计算判断单元，获得资源分配方案；
控制器：用于实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的资源分配方案动态的分配VNF到BBU单元。
本发明的有益效果是：该云无线接入网计算资源分配方法避免不必要的VNF迁移，降低了云无线接入网的通信业务的波动，同时降低了BBU池的能耗。
附图说明
图1是本发明的系统架构图；
图2是多步时间预测图；
图3是BFD算法流程图；
图4是基于BFD的离散粒子群算法流程图；
图5是云无线接入网计算资源分配方法流程图；
图6是VNF迁移次数图；
图7是单位BBU的使用个数图。
具体实施方式
如图1所示，本发明公开了一种基于流量预测的云无线接入网计算资源分配系统，包括数据接收模块、数据处理模块、优化器和控制器。
数据接收模块，涉及到云无线接入网的网络和用户信息。用户和运行签订的服务协议级别，如业务速率，时延等。用户级信息，包括天线接收机类型，电池信息和用户位置等。网络层信息，包括调度周期，网络性能要求，用户个数等。基础设施层信息，如CPU，内存，路由等。
数据处理模块，主要对数据接收模块信息的预处理和数据分析。数据预处理主要是将网络架构记录的信息进行格式化，并进行清洗，过滤，存储到数据库中。数据分析主要是包括数据可视化，网络级预测，网络诊断等。数据可视化主要是将数据抽象为技术人员所能理解的表达形式；网络级预测主要是根据现有的历史记录预测未来的业务量，资源利用率等；网络诊断是从数据中分析导致网络故障的原因等。主要用到机器学习，深度学习等。
优化器，主要根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解。需要用到智能算法，启发式算法以及传统的优化算法。
控制器，主要使用NFV的编排器(MANO)以及SDN控制器(SDN controller)进行虚拟化资源的分配。控制器实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的分配方案动态的分配VNF到BBU单元。
主要技术：多步时间预测和基于降序最佳适应算法的离散粒子群算法。
时间序列数据是指其数据在时间上是等间隔顺序的历史数据，而多步时间预测是根据历史的数据预测未来一段时间的数据，主要分为迭代型和直接型时间预测，迭代型是将预测数据作为输入，如图2所示。而直接型包含多个输出。不同方式的多步时间预测的性能对比没有定论，在本发明中采用迭代型的多步时间预测。通过迭代型多步时间预测模型，将时间序列预测问题转化为监督学习问题，采用成熟的监督学习回归算法。常见的回归学习算法包括线性回归、支持向量回归、梯度树、人工神经网络、深度学习等。对于蜂窝网数据来说，数据非线性且庞大。考虑到线性回归的非线性、梯度树的过拟合、人工神经网络和深度学习的计算复杂度高，本发明采用支持向量回归。通过核函数将数据在高维空间可分以及采用-不敏感函数将回归问题和支持向量机理论结合，采用优化算法进行求解，既降低复杂度又能处理非线性数据。
结合核函数的线性回归模型：
其中x为输入变量，w为模型参数，φ(x)将x映射到高维空间的映射函数，b模型偏差。
采用ε-不敏感函数得：
常见ε-不敏感函数为：
采用软间隔的SVR模型：
通过SMO等算法得到SVR的解：
其中αi，为(5)中第一个和第二个约束条件的拉格朗日乘子，φ(xi)为训练集在高维空间的映射。
基于BFD的离散粒子群算法，BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题常采用的算法，其算法复杂度低；而离散粒子群算法是考虑全局的智能优化算法，但是由于粒子种群的个数以及离散粒子群的编码问题，导致其算法复杂度高，考虑到上述算法的特点，提出一种基于BFD的离散粒子群算法。
首先是BFD算法，如图3所示，首先将BBU按照剩余资源排序，VNF按照需求资源升序排序，然后按照最佳适应算法分配。
离散粒子群算法，该算法由Pan Q K提出，主要是借鉴遗传算法的构造方式，同样该算法也包括编码部分，其编码部分和遗传算法相同，主要是根据BBU集合个数K将BBU从1到K进行编码，粒子编码的长度为预测时长T和VNF个数I的乘积。
离散粒子群算法的更新方式为：
和是第t次和第t-1次迭代的解，为t-1次时粒子i的最优解，Gt-1为全部粒子在以往的迭代中的最优解。F1(·)代表变异，即粒子中任一元素变异。F2(·)代表杂交，和该粒子的目前最优解替换编码片段。F3(·)表示和全局的最优粒子解进行杂交，c1、c2为0到1的随机数。通过该公式进行更新下次迭代的解。其中变异操作为粒子的某一元素变为1到|κIn|的任一值，杂交是两个粒子在某一相同位置处被切断，进行交叉组合形成两个粒子编码序列。
如图4所示，基于BFD的离散粒子群算法，由于离散粒子群的复杂度高，为了减小解空间的范围，首先由BFD算法确定BBU开启的个数，然后根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同。
首先建立优化问题，假设存在I个RRH，每个RRH由一个VNF服务，VNF所需要的计算资源为Cmax为单个BBU提供最大的计算能力，建立如下装箱问题：
其中(8)中不等式代表每个BBU不能过载，的约束表示VNF可选择BBU的范围。目标函数为减少迁移的次数的同时降低系统的能耗。
基于BFD的具体方案：考虑到迁移发生次数多的时候往往是流量波动较大的情况，为了降低整体算法的复杂度，首先判定未来T时刻的业务量是否波动很大，因此具体流程如图5所示，方案包括三部分，首先判定未来T时刻的业务量是否波动剧烈，如果方差高于门限值，那么就采用基于BFD的离散粒子群算法求解，否则直接采用BFD算法求解。
综上，如图5所示，本发明公开了一种基于流量预测的云无线接入网计算资源分配方法，包括：
预测步骤：预测T时刻长度业务的流量；
计算判断步骤：计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配；
如图4所示，所述基于BFD的离散粒子群算法，包括：
第一步：根据BFD算法确定BBU开启的个数；
第二步：粒子初始化；
第三步：由fitness函数计算全局最优和粒子最优；
第四步：粒子更新；
第五步：计算fitness更新全局最优和粒子最优；
第六步：判断是否满足终止条件，若是，则结束，否则执行第四步；
BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题的算法；
BBU是基带处理单元。
在基于BFD的离散粒子群算法中，根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同；在所述第六步中，判断是否满足终止条件是指：粒子的最优值在最大迭代次数的一半不发生变化，或者满足最大迭代次数。
如图3所示，所述BFD算法包括：
第1步：未分配VNF集合按计算资源需求降序排序；
第2步：判断VNF集合是否为空，若是，那么结束，否则执行第3步；
第3步：BBU集合按剩余资源升序排序；
第4步：判断BBU能否满足第一个VNF需求，若是，选择该VNF分配给首个满足计算需求的BBU，否则开启未分配集合中任一BBU并将该VNF分配；
第5步：更新BBU集合和未配VNF集合以及BBU的剩余资源；然后执行第2步。
在所述预测步骤中，采用多步时间预测T时刻长度业务的流量，多步时间预测是根据历史的数据预测未来一段时间的数据，多步时间预测采用迭代型的多步时间预测。
该基于流量预测的云无线接入网计算资源分配方法还包括：
通过数据接收模块接收云无线接入网的网络和用户信息；
通过数据处理模块对数据接收模块信息的预处理和数据分析，数据预处理是将网络架构记录的信息进行格式化、并进行清洗、过滤、存储到数据库中，数据分析包括数据可视化、网络级预测、网络诊断；
优化器根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解，运行预测步骤和计算判断步骤，获得资源分配方案；
控制器实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的资源分配方案动态的分配VNF到BBU单元。
本发明还提供了一种基于流量预测的云无线接入网计算资源分配系统，包括：
预测单元：用于预测T时刻长度业务的流量；
计算判断单元：用于计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配；
所述基于BFD的离散粒子群算法，包括：
第一步：根据BFD算法确定BBU开启的个数；
第二步：粒子初始化；
第三步：由fitness函数计算全局最优和粒子最优；
第四步：粒子更新；
第五步：计算fitness更新全局最优和粒子最优；
第六步：判断是否满足终止条件，若是，则结束，否则执行第四步；
BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题的算法；
BBU是基带处理单元。
在基于BFD的离散粒子群算法中，根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同；在所述第六步中，判断是否满足终止条件是指：粒子的最优值在最大迭代次数的一半不发生变化，或者满足最大迭代次数。
所述BFD算法包括：
第1步：未分配VNF集合按计算资源需求降序排序；
第2步：判断VNF集合是否为空，若是，那么结束，否则执行第3步；
第3步：BBU集合按剩余资源升序排序；
第4步：判断BBU能否满足第一个VNF需求，若是，选择该VNF分配给首个满足计算需求的BBU，否则开启未分配集合中任一BBU并将该VNF分配；
第5步：更新BBU集合和未配VNF集合以及BBU的剩余资源；然后执行第2步。
在所述预测单元中，采用多步时间预测T时刻长度业务的流量，多步时间预测是根据历史的数据预测未来一段时间的数据，多步时间预测采用迭代型的多步时间预测。
如图1所示，该云无线接入网计算资源分配系统还包括：
数据接收模块：用于接收云无线接入网的网络和用户信息；
数据处理模块：用于对数据接收模块信息的预处理和数据分析，数据预处理是将网络架构记录的信息进行格式化、并进行清洗、过滤、存储到数据库中，数据分析包括数据可视化、网络级预测、网络诊断；
优化器：用于根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解，运行预测单元和计算判断单元，获得资源分配方案；
控制器：用于实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的资源分配方案动态的分配VNF到BBU单元。
实验场景：
假设云无线接入网分布在城市区域，接入网包含9个RRH，以及5个BBU；BBU采用NFV和SDN技术，使VNF能够灵活的部署在BBU中，仅考虑数据业务。RRH的业务量采用意大利电信数据集进行以及M/D/1队列进行近似，得到包含人类通信活动的数据集，并假设每个BBU的处理上限为50MB/S。
结果分析：如图6和图7所示，在凌晨到早上的时间段，人类通信活动少，并且趋向于平稳，此时单位BBU(单个BBU开启10分钟)的个数恒定且少，并且VNF迁移的次数为0。当早晨到晚上24点时，人类活动较多，其业务量相较于凌晨剧烈增加，并且发生VNF的迁移。而对比BFD离散粒子群算法和BFD算法，在业务量波动期间，采用BFD离散粒子群的算法的迁移次数相较于BFD算法次数明显降低，并且单位BBU的使用个数两种算法使用相同。因此本发明提出的云无线接入网计算资源分配方法，即基于BFD的离散粒子群算法，相比较于BFD算法，在相同BBU能耗的同时，降低了VNF的迁移次数，降低云无线接入网的服务质量波动的同时，降低了BBU池的能耗。
总结：传统的云无线接入网采用的是实时的计算资源分配，仅考虑现在时刻的分配，而忽略了未来的计算需求，而通常通信活动与人类的起居密切相关，即潮汐特性。而VNF的迁移和通信业务的活动密切相关，通过采用多步时间预测，进行短时时间序列预测；根据预测的信息对BBU池的计算资源进行优化，主要是建立目标为减少不必要的迁移并降低BBU的使用个数的优化问题，采用基于BFD的离散粒子群算法求解。该云无线接入网计算资源分配方法避免不必要的VNF迁移，降低了云无线接入网的通信业务的波动，同时降低了BBU池的能耗。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于流量预测的云无线接入网计算资源分配方法，其特征在于，包括：
预测步骤：预测T时刻长度业务的流量；
计算判断步骤：计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配；
所述基于BFD的离散粒子群算法，包括：
第一步：根据BFD算法确定BBU开启的个数；
第二步：粒子初始化；
第三步：由fitness函数计算全局最优和粒子最优；
第四步：粒子更新；
第五步：计算fitness更新全局最优和粒子最优；
第六步：判断是否满足终止条件，若是，则结束，否则执行第四步；
BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题的算法；
BBU是基带处理单元。
2.根据权利要求1所述的云无线接入网计算资源分配方法，其特征在于，在基于BFD的离散粒子群算法中，根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同；在所述第六步中，判断是否满足终止条件是指：粒子的最优值在最大迭代次数的一半不发生变化，或者满足最大迭代次数。
3.根据权利要求1所述的云无线接入网计算资源分配方法，其特征在于，所述BFD算法包括：
第1步：未分配VNF集合按计算资源需求降序排序；
第2步：判断VNF集合是否为空，若是，那么结束，否则执行第3步；
第3步：BBU集合按剩余资源升序排序；
第4步：判断BBU能否满足第一个VNF需求，若是，选择该VNF分配给首个满足计算需求的BBU，否则开启未分配集合中任一BBU并将该VNF分配；
第5步：更新BBU集合和未配VNF集合以及BBU的剩余资源；然后执行第2步。
4.根据权利要求1所述的云无线接入网计算资源分配方法，其特征在于，在所述预测步骤中，采用多步时间预测T时刻长度业务的流量，多步时间预测是根据历史的数据预测未来一段时间的数据，多步时间预测采用迭代型的多步时间预测。
5.根据权利要求1至4任一项所述的云无线接入网计算资源分配方法，其特征在于，
通过数据接收模块接收云无线接入网的网络和用户信息；
通过数据处理模块对数据接收模块信息的预处理和数据分析，数据预处理是将网络架构记录的信息进行格式化、并进行清洗、过滤、存储到数据库中，数据分析包括数据可视化、网络级预测、网络诊断；
优化器根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解，运行预测步骤和计算判断步骤，获得资源分配方案；
控制器实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的资源分配方案动态的分配VNF到BBU单元。
6.一种基于流量预测的云无线接入网计算资源分配系统，其特征在于，包括：
预测单元：用于预测T时刻长度业务的流量；
计算判断单元：用于计算预测流量时间序列的方差，判断方差是否小于门限值，若是，那么在T时刻的每一时刻采用BFD算法进行资源分配，否则采用基于BFD的离散粒子群算法进行资源分配；
所述基于BFD的离散粒子群算法，包括：
第一步：根据BFD算法确定BBU开启的个数；
第二步：粒子初始化；
第三步：由fitness函数计算全局最优和粒子最优；
第四步：粒子更新；
第五步：计算fitness更新全局最优和粒子最优；
第六步：判断是否满足终止条件，若是，则结束，否则执行第四步；
BFD是考虑局部的最优策略，保证每次迭代选择当时状态最优的策略，是解决装箱问题的算法；
BBU是基带处理单元。
7.根据权利要求6所述的云无线接入网计算资源分配系统，其特征在于，在基于BFD的离散粒子群算法中，根据BBU开启的个数和上一时刻开启的BBU集合确定下一段时间BBU开启集合，如果BFD得到的BBU开启个数大于上一时刻开启的个数，那么决定随机开启未开启的BBU达到开启BBU集合元素个数和BFD得到的BBU个数相同；在所述第六步中，判断是否满足终止条件是指：粒子的最优值在最大迭代次数的一半不发生变化，或者满足最大迭代次数。
8.根据权利要求6所述的云无线接入网计算资源分配系统，其特征在于，所述BFD算法包括：
第1步：未分配VNF集合按计算资源需求降序排序；
第2步：判断VNF集合是否为空，若是，那么结束，否则执行第3步；
第3步：BBU集合按剩余资源升序排序；
第4步：判断BBU能否满足第一个VNF需求，若是，选择该VNF分配给首个满足计算需求的BBU，否则开启未分配集合中任一BBU并将该VNF分配；
第5步：更新BBU集合和未配VNF集合以及BBU的剩余资源；然后执行第2步。
9.根据权利要求6所述的云无线接入网计算资源分配系统，其特征在于，在所述预测单元中，采用多步时间预测T时刻长度业务的流量，多步时间预测是根据历史的数据预测未来一段时间的数据，多步时间预测采用迭代型的多步时间预测。
10.根据权利要求6至9任一项所述的云无线接入网计算资源分配系统，其特征在于，该云无线接入网计算资源分配系统还包括：
数据接收模块：用于接收云无线接入网的网络和用户信息；
数据处理模块：用于对数据接收模块信息的预处理和数据分析，数据预处理是将网络架构记录的信息进行格式化、并进行清洗、过滤、存储到数据库中，数据分析包括数据可视化、网络级预测、网络诊断；
优化器：用于根据数据处理模块得到的抽象信息、预测、诊断的信息进行建模，建立优化问题求解，运行预测单元和计算判断单元，获得资源分配方案；
控制器：用于实时的监控BBU的利用率和VNF的性能指标，维护VNF的工作状态，并根据优化器的资源分配方案动态的分配VNF到BBU单元。
CN201910354129.5A 2019-04-29 2019-04-29 一种基于流量预测的云无线接入网计算资源分配方法及系统 Active CN110099415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910354129.5A CN110099415B (zh) 2019-04-29 2019-04-29 一种基于流量预测的云无线接入网计算资源分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910354129.5A CN110099415B (zh) 2019-04-29 2019-04-29 一种基于流量预测的云无线接入网计算资源分配方法及系统

Publications (2)

Publication Number Publication Date
CN110099415A true CN110099415A (zh) 2019-08-06
CN110099415B CN110099415B (zh) 2022-11-11

Family

ID=67446304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910354129.5A Active CN110099415B (zh) 2019-04-29 2019-04-29 一种基于流量预测的云无线接入网计算资源分配方法及系统

Country Status (1)

Country Link
CN (1) CN110099415B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112584386A (zh) * 2020-11-17 2021-03-30 国网安徽省电力有限公司信息通信分公司 5g c-ran资源预测和分配方法及系统
CN113727451A (zh) * 2021-08-27 2021-11-30 国网江苏省电力有限公司电力科学研究院 一种混合供电c-ran资源分配方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012149705A1 (zh) * 2011-08-11 2012-11-08 华为技术有限公司 一种网络流量的长期预测方法及装置
CN103677957A (zh) * 2013-12-13 2014-03-26 重庆邮电大学 云数据中心基于多资源的高能效虚拟机放置方法
CN106936883A (zh) * 2015-12-31 2017-07-07 伊姆西公司 用于云系统的方法和装置
CN109067834A (zh) * 2018-06-29 2018-12-21 南京邮电大学 基于振荡式惯性权重的离散粒子群调度算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012149705A1 (zh) * 2011-08-11 2012-11-08 华为技术有限公司 一种网络流量的长期预测方法及装置
CN103677957A (zh) * 2013-12-13 2014-03-26 重庆邮电大学 云数据中心基于多资源的高能效虚拟机放置方法
CN106936883A (zh) * 2015-12-31 2017-07-07 伊姆西公司 用于云系统的方法和装置
CN109067834A (zh) * 2018-06-29 2018-12-21 南京邮电大学 基于振荡式惯性权重的离散粒子群调度算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SALLY R: "Reducing Power Consumption by Dynamic", 《IEEE》 *
谢晖等: "5G承载网络研究及部署规划", 《佳木斯大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112584386A (zh) * 2020-11-17 2021-03-30 国网安徽省电力有限公司信息通信分公司 5g c-ran资源预测和分配方法及系统
CN113727451A (zh) * 2021-08-27 2021-11-30 国网江苏省电力有限公司电力科学研究院 一种混合供电c-ran资源分配方法及装置

Also Published As

Publication number Publication date
CN110099415B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN104317658B (zh) 一种基于MapReduce的负载自适应任务调度方法
WO2021104096A1 (zh) 容器云环境下的任务调度方法、装置、服务器及存储装置
CN110275758B (zh) 一种虚拟网络功能智能迁移方法
CN111953758B (zh) 一种边缘网络计算卸载和任务迁移方法及装置
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
CN103036974B (zh) 基于隐马尔可夫模型的云计算资源调度方法和系统
CN110096349A (zh) 一种基于集群节点负载状态预测的作业调度方法
CN109615213A (zh) 一种运维服务任务的智能分配方法及系统
CN104657221A (zh) 一种云计算中基于任务分类的多队列错峰调度模型及方法
CN112636338B (zh) 一种基于边缘计算的负荷分区调控系统及方法
CN111045828A (zh) 基于配电网台区终端的分布式边缘计算方法和相关装置
CN104038392A (zh) 一种云计算资源服务质量评估方法
CN104065745A (zh) 云计算动态资源调度系统和方法
CN108471353B (zh) 一种基于深度神经网络算法的网元容量分析与预测的方法
CN102629106A (zh) 供水控制方法及系统
CN104619029B (zh) 一种集中式蜂窝网络架构下的基带池资源分配方法和装置
CN109445935A (zh) 云计算环境下一种高性能大数据分析系统自适应配置方法
CN109670650A (zh) 基于多目标优化算法的梯级水库群调度模型的求解方法
CN104536803A (zh) 一种基于组合优化的虚拟机调度方法
CN106793031A (zh) 基于集合竞优算法的智能手机能耗优化方法
CN108416465A (zh) 一种移动云环境下的工作流优化方法
CN105426241A (zh) 一种基于云计算数据中心的统一资源调度节能方法
CN110099415A (zh) 一种基于流量预测的云无线接入网计算资源分配方法及系统
CN114726743B (zh) 一种基于联邦强化学习的服务功能链部署方法
CN109889391A (zh) 一种基于组合模型的网络短时流量预测方法

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