CN110366193B - 一种智能电网的网络编排层承载的切片部署方法及装置 - Google Patents

Abstract

本发明公开了一种智能电网的网络编排层承载的切片部署方法，其特征在于，包括：将智能电网的网络编排层划分为路径模块，权重模块，以及效用模块；路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，并使用测试数据对所述神经网络进行训练；效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署，满足智能电网资源的合理分配，适应多类业务的各异需求，提高了服务质量。

Description

一种智能电网的网络编排层承载的切片部署方法及装置

技术领域

本申请涉及电力通信的网络资源分配领域，具体涉及一种智能电网的网络编排层承载的切片部署方法，同时涉及一种智能电网的网络编排层承载的切片部署装置。

背景技术

随着车联网、物联网、工业智能控制以及垂直行业的兴起与发展，第五代移动通信(5G)技术将在多领域、多场景下实现“万物互联”的愿景。针对5G中多样化的服务需求，研究人员提出了“网络切片”的概念。网络切片是在网络软件化情况下，将相互隔离的、完全自动化的、可编程的、服务定制的网络部署在公共物理基础设施之上而形成的一组独立虚拟资源的端到端网络。

在能源和电力需求增长的驱动下，电力业务正在向分布式配电自动化、遥视、电力物联网、人工智能等未来方向发展，世界电网以崭新的面貌从传统网络进入了以智能电网为标志的新阶段。智能电网资源的优化分配是实现电力市场的利益最大化的基础。电力业务总体上可以分为移动应用类(如智能巡检、移动作业等)、控制类(如分布式电源、配电自动化等)、信息采集类(如电能质量监测、视频监控等)三大类，具体来说，每一种业务都有其自身的通信性能和安全性能的需求。由于电网的不同用例的不同需求，因此需要一个超可靠低E2E延迟、灵活可编排、低成本的网络。

在网络切片的相关研究中，为了提高用户满意度、最小化网络部署成本、提高资源利用率等目的，相关人员提出了几种虚拟网络资源嵌入算法以及决策算法。然而，对于在智能电网场景下，应用5G网络切片技术进行资源的分配的研究还处于发展阶段。智能电网通过与应用设备的双向交互来分配和管理资源，由于智能电网用户较多，管理大量设备会产生大量的需求请求，因此对于资源的需求并非是确定的，即各项业务流在都有自己的带宽需求、可靠性要求以及延迟容忍度。因此在新一代电网的飞速发展下，面对智能电网业务种类的繁多，如何合理分配资源，适应多类业务的各异需求，得到让人满意的服务质量，是亟需解决的问题。

发明内容

本申请提供一种智能电网的网络编排层承载的切片部署方法，满足智能电网资源的合理分配，适应多类业务的各异需求，提高了服务质量。

本申请的提供一种智能电网的网络编排层承载的切片部署方法，其特征在于，包括：

将智能电网的网络编排层划分为路径模块，权重模块，以及效用模块；

路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，并使用测试数据对所述神经网络进行训练；

效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

优选的，所述使用动量梯度下降算法动态调整神经网络的权重，包括：

使用的动量梯度下降算法为，

Q_ji(t+1)＝Q_ji(t)+v[(1-mc)F(t)+mcF(t-1)]

其中，F(t)表示t时刻的负梯度，F(t-1)表示t-1时刻的负梯度，v表示学习速率，mc表示动量因子，并且mc∈(0,1)；

当mc＝0时，表示权值修正只与当前负梯度有关，当mc＝1时，权值修正完全取决于上一次的循环的负梯度。

优选的，所述动量梯度下降算法，用于提高神经网络的学习速度和增加神经网络算法的可靠性，同时降低神经网络对误差曲面局部细节的敏感性。

优选的，所述使用测试数据对所述神经网络进行训练，包括：

输入测试数据后，对测试数据进行归一化处理，减少测试数据中存在奇异样本数据引起的神经网络训练时间的增长和收剑时间的增长；

通过均方误差与精度的对比选择是否继续训练或输出训练结果。

优选的，所述权重模块的功能，还包括：

构建电网权重的约束条件，

δ_B×δ_R×δ_L≠0

δ_B+δ_R+δ_L＝1

其中，δ_B、δ_R、δ_L分别表示带宽、可靠性、时延的权值大小。

优选的，所述应用效用函数对所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署，包括：

定义效用函数y(x)＝1-e^-δx，其中x是决策向量，δ是相对应的权重(δ>0)；同时考虑输入的带宽、可靠性、时延的权值；

在处理业务时，应用效用函数对待处理的业务所对应的所有路径的得分进行表述；同时计算带宽，可靠性，以及时延的三个指标因素值及三个指标的权重值，具体的计算路径NR_j得分的公式如下，

其中

仅当路径的三项指标数值满足于切片要求时，才具有非零的路径得分；然后选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

本申请同时提供一种智能电网的网络编排层承载的切片部署装置，其特征在于，包括：

模块划分单元，将智能电网的网络编排层划分为路径模块，权重模块，以及效果模块；

路径存储单元，路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重调整单元，权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，并使用测试数据对所述神经网络进行训练；

切片部署单元，效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

本申请提供一种智能电网的网络编排层承载的切片部署方法，通过对网络编排层的模块具体化，并通过神经网络学习的方法动态调整权重，能够在网络拓扑结构选定后，确定源节点和目的节点并搜索合适的路径，应用效用函数对路径得分进行表述，选出得分越高的路径，表示服务质量越好，通过此方法来优化电力无线通信业务的切片资源部署，满足智能电网资源的合理分配，适应多类业务的各异需求，提高了服务质量。

附图说明

图1是本申请实施例提供的一种智能电网的网络编排层承载的切片部署方法流程示意图；

图2是本申请实施例涉及的智能电网切片的整体架构示意图；

图3是本申请实施例涉及的权重学习流程图；

图4是本申请实施例涉及的移动应用类变权得分曲线图；

图5是本申请实施例涉及的信息采集类变权得分曲线图；

图6是本申请实施例涉及的控制类变权得分曲线图；

图7是本申请实施例涉及的Abilene网络场景中切片部署的得分；

图8是本申请实施例提供的一种智能电网的网络编排层承载的切片部署装置示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参看图1，图1是本申请实施例提供的一种智能电网的网络编排层承载的切片部署方法流程示意图，下面结合图1对本申请提供的方法进行详细说明。

步骤S101，将智能电网的网络编排层划分为路径模块，权重模块，以及效果模块。

首先介绍本发明依托的智能电网切片的整体架构，该架构在有效地协调智能电网中的切片。架构示意图如图2，包括基础设施层、网络虚拟化层、切片部署层、网络编排层。

(1)基础设施层

智能电网是一种基础设施高度集成的新型现代化电网，包括发电、输电、变配电和用电。因此基础设施层反映了各类电网业务、网络切片应用场景、智能电网结构、以及网络的拓扑等因素，包括包含上层设施所需的物理资源以及各类硬件设备。

(2)网络虚拟化层

网络虚拟化层主要依靠软件定义网络(SDN)和网络功能虚拟化(NFV)。两种技术相辅相成，共同确保网络的灵活性。其中SDN能够隔离控制平面与基础设施层，NFV能够将网络功能(NF)与硬件资源分离，同时NFV也可以管理网络片的生命周期，协调VNF。因此，SDN和NFV提供网络的可编程性并打破垂直软件集成。利用SDN和NFV技术，还可以为底层物理基础设施提供多种多样的服务。

(3)网络切片部署层

如图2网络切片框架所示，网络切片由一组虚拟网络函数VNFs组成，VNFs在虚拟基础设施之上实现。根据用例需求，每个实现的切片都与其他切片隔离，并具有专用的网络进程。网络切片概念的使用允许网络系统在相同的网络基础设施上提供尽可能多的网络切片。因此，切片部署中的几个组件的组合具有串行依赖性，如部署切片的E2E可靠性取决于每个块的可靠性。

(4)网络编排层

为了适应电力业务的资源分配，增加了一个网络编排层，网络编排层可以分为路径模块，权重模块，以及效用模块。

步骤S102，路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中。

路径模块包括路径搜索和路径存储两部分，该模块通过选择网络拓扑结构，确定源节点Str到目的节点Aim之间的路径的数量pathnum，通过建立路径存储矩阵PN，将遍历后的路径存储在矩阵PN中。关于路径搜索与存储的算法，具体的如下，

步骤S103，权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，并使用测试数据对所述神经网络进行训练。

在多指标因素的情况下，通常将权重作为目标函数的关键性参数。电网领域业务众多。如移动应用类中智能巡检业务需要大量的带宽以满足巡检过程中数据的处理与回传，如控制类业务中的虚拟电厂业务需要超高可靠性以及超低时延来保障工作的顺利进行。因此，可以定义一种基于神经网络学习的动态权重，具体的，可以基于BP(backpropagation)神经网络。该权重通过对前期数据的归一化处理并构建学习网络，在后其业务到来后，能够根据先验学习经验动态的分配合适的权重比例。

BP神经网络是能过模拟人脑的神经系统结构提出的一种智能化的算法，是目前最成熟的算法之一。BP算法分为向前传播和向后传播两个过程。在向前传播的过程中，输入信息从输入层经过逐层的计算，传向输出层，得到实际输出值，如果实际输出值与期望值之间的误差没有满足期望的要求，就转入反向传播过程。反向传播过程，就是从输出层通过误差逐层修改网络权值和阈值向输入层传播的过程，然后再通过更新的权值和阈值进行正向传播。通过循环的正向和反向传播训练得到最优的权值和阈值就是神经网络的学习过程。

在本模块中，由于电网业务需求的多样性，要求权值能够满足不同的业务，因此，增设动量的方法，能够使该训练模型今年前一次的迭代结果进行此次的迭代，可以很好的避免由于各类业务需求的迥异而造成的局部最优化。采用带动量的梯度下降算法(Momentum-SGD)进行构建学习网络，该算法中的动量不仅提高了学习速度并且增加了算法的可靠性。动量法降低了网络对于误差曲面局部细节的敏感性。梯度下降算法在修正权值时，只是按照k时刻的负梯度方向进行修正，并没有考虑到以前的积累经验。为此，采用动量梯度下降算法：

Q_ji(t+1)＝Q_ji(t)+v[(1-mc)F(t)+mcF(t-1)]

其中，F(t)表示t时刻的负梯度，F(t-1)表示t-1时刻的负梯度，v表示学习速率，mc表示动量因子，并且mc∈(0,1)。当mc＝0时，表示权值修正只与当前负梯度有关，当mc＝1时，权值修正完全取决于上一次的循环的负梯度。在输入测试数据后，mc的存在使得振荡趋势有所减缓，使得算法更加的可靠。在原始数据输入后将对其进行归一化处理，其目的是为了减少数据中存在奇异样本数据存在引起的网络训练时间的增长和收敛时间的增长，其中网络建立所需要的参数有：动量因子mc、目标精度ζ、学习速率ν、显示频率f、最大重复次数θ等，然后可以调用Matlab中的TRAINGDM函数进行训练网络的构建，通过均方误差与精度的对比选择是否继续训练或输出训练结果。权重学习流程图如图3所示。

虽然电网三项业务中对指标的需求各不相同，但无论何种业务，其对带宽、可靠性、时延均有需求，因此，构建电网权重的约束条件，

δ_B×δ_R×δ_L≠0

δ_B+δ_R+δ_L＝1

其中，δ_B、δ_R、δ_L分别表示带宽、可靠性、时延的权值大小。

步骤S104，效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

效用模块使用路径模块存储的路径，然后使用效用函数对所有路径的得分进行表述，定义的效用函数为y(x)＝1-e^-δx，其中x是决策向量，δ是相对应的权重(δ>0)；同时考虑输入的带宽、可靠性、时延的权值。

在处理业务时，应用效用函数对待处理的业务所对应的所有路径的得分进行表述；同时计算带宽，可靠性，以及时延的三个指标因素值及三个指标的权重值，具体的计算路径NR_j得分的公式如下，

其中

仅当路径的三项指标数值满足于切片要求时，才具有非零的路径得分；然后选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

附图4-图6通过对计算路径NR_j得分的公式中的权值的动态变化，多次迭代后得出曲线。由于三个个指标因素(带宽、可靠性和时延要求)为随机产生的，当改变其值后，需要重新生成匹配的权重。

附图7显示了在Abilene网络场景中切片部署的得分。对智能电网中控制类、信息采集类、移动应用类三大类用例的评分进行了评估。通过就用本发明提出的基于效用和动态权重的切片部署机制的WABU算法来评估这个分数。仿真结果表明，本发明的机制和算法在应用时提高了每个用例族的切片部署过程的总分。事实上，在选择路径时不仅考虑了三个网络性能标准(带宽、可靠性和时延)，而且通过设置动态权重进一步寻找更高的得分值，进而提高了最终的结果，而UBA算法只考虑了三个网络性能指标，并未考虑权重对得分的影响，这就降低了部署的得分。

对于算法对比而言，移动应用类业务(eMBB)和信息采集类业务(mMTC)在两种应用算法中的效用得分最高。事实上，这两个系列的特点是需求灵活，而控制类业务(uRLLC)系列的特点是需求严格。本发明提出的机制下，WUBA算法在仅利用效用函数的基础上，增加了基于BP神经网络学习来权重动态调整的过程。仿真结果表明，在根据三个网络性能指标选择网络资源时，WUBA增加了所有用例族的已部署片的效用。

本申请同时提供一种智能电网的网络编排层承载的切片部署装置800，其特征在于，包括：

模块划分单元810，将智能电网的网络编排层划分为路径模块，权重模块，以及效用模块；

路径存储单元820，路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重调整单元830，权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，并使用测试数据对所述神经网络进行训练；

切片部署单元840，效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

本申请提供一种智能电网的网络编排层承载的切片部署方法，通过对网络编排层的模块具体化，并通过神经网络学习的方法动态调整权重，能够在网络拓扑结构选定后，确定源节点和目的节点并搜索合适的路径，应用效用函数对路径得分进行表述，选出得分越高的路径，表示服务质量越好，通过此方法来优化电力无线通信业务的切片资源部署，满足智能电网资源的合理分配，适应多类业务的各异需求，提高了服务质量。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。

Claims (5)

1.一种智能电网的网络编排层承载的切片部署方法，其特征在于，包括：

将智能电网的网络编排层划分为路径模块，权重模块，以及效用模块；

路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，包括：使用的动量梯度下降算法为，

Q_ji(t+1)＝Q_ji(t)+v[(1-mc)F(t)+mcF(t-1)]

其中，F(t)表示t时刻的负梯度，F(t-1)表示t-1时刻的负梯度，v表示学习速率，mc表示动量因子，并且mc∈(0,1)；

当mc＝0时，表示权值修正只与当前负梯度有关，当mc＝1时，权值修正完全取决于上一次的循环的负梯度；并使用测试数据对所述神经网络进行训练；

效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署，包括：

定义效用函数y(x)＝1-e^-δx，其中x是决策向量，δ是相对应的权重(δ>0)；同时考虑输入的带宽、可靠性、时延的权值；

在处理业务时，应用效用函数对待处理的业务所对应的所有路径的得分进行表述；同时计算带宽，可靠性，以及时延的三个指标因素值及三个指标的权重值，具体的计算路径NR_j得分的公式如下，

其中

仅当路径的三项指标数值满足于切片要求时，才具有非零的路径得分；然后选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

2.根据权利要求1所述的方法，其特征在于，所述动量梯度下降算法，用于提高神经网络的学习速度和增加神经网络算法的可靠性，同时降低神经网络对误差曲面局部细节的敏感性。

3.根据权利要求1所述的方法，其特征在于，所述使用测试数据对所述神经网络进行训练，包括：

输入测试数据后，对测试数据进行归一化处理，减少测试数据中存在奇异样本数据引起的神经网络训练时间的增长和收剑时间的增长；

通过均方误差与精度的对比选择是否继续训练或输出训练结果。

4.根据权利要求1所述的方法，其特征在于，所述权重模块的功能，还包括：

构建电网权重的约束条件，

δ_B×δ_R×δ_L≠0

δ_B+δ_R+δ_L＝1

其中，δ_B、δ_R、δ_L分别表示带宽、可靠性、时延的权值大小。

5.一种智能电网的网络编排层承载的切片部署装置，其特征在于，包括：

模块划分单元，将智能电网的网络编排层划分为路径模块，权重模块，以及效果模块；

路径存储单元，路径模块根据网络拓扑结构，确定源节点到目的节点之间的路径数量，通过建立路径存储矩阵，将遍历后路径存储于所述矩阵中；

权重调整单元，权重模块根据电力业务不同的类型对权重指标的需求，使用动量梯度下降算法动态调整神经网络的权重，包括：使用的动量梯度下降算法为，

Q_ji(t+1)＝Q_ji(t)+v[(1-mc)F(t)+mcF(t-1)]

其中，F(t)表示t时刻的负梯度，F(t-1)表示t-1时刻的负梯度，v表示学习速率，mc表示动量因子，并且mc∈(0,1)；

当mc＝0时，表示权值修正只与当前负梯度有关，当mc＝1时，权值修正完全取决于上一次的循环的负梯度；并使用测试数据对所述神经网络进行训练；

切片部署单元，效用模块使用路径模块存储的路径，应用效用函数对待处理的业务所对应的所有路径的得分进行表述，选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署，包括：

定义效用函数y(x)＝1-e^-δx，其中x是决策向量，δ是相对应的权重(δ>0)；同时考虑输入的带宽、可靠性、时延的权值；

在处理业务时，应用效用函数对待处理的业务所对应的所有路径的得分进行表述；同时计算带宽，可靠性，以及时延的三个指标因素值及三个指标的权重值，具体的计算路径NR_j得分的公式如下，

其中

仅当路径的三项指标数值满足于切片要求时，才具有非零的路径得分；然后选择效用得分最高的路径，完成智能电网的网络编排层承载的切片部署。

Images