CN110505082B - 一种面向成本和QoS的NFV服务链映射方法 - Google Patents

Abstract

本发明公开了一种面向成本和QoS的NFV服务链映射方法，其属于网络技术领域，通过建立面向服务质量保证和成本优化的服务链映射模型，所述服务链映射模型以服务质量需求和资源需求为限制条件，设立服务链映射模型的综合优化目标；然后利用贪心算法GA+LCB求解服务链映射模型；本发明在保障用户对服务的基本服务质量需求和资源需求的前提下，能够使服务链合理、有效的调度和分配有限的网络资源，减少运营商的部署开销，提高请求的接收率，取得较高的部署收益。

Description

一种面向成本和QoS的NFV服务链映射方法

技术领域

本发明涉及一种面向成本和QoS的NFV服务链映射方法，其属于网络技术领域。

背景技术

传统的通信网络依赖于专用的硬件设备来实现业务所需的网络功能，网络的架构也呈现控制转发一体化的封闭特性，导致网络的部署成本升高，网络的复杂度增加。网络功能虚拟化(Network Function Virtualization，NFV)技术采用通用硬件设备，使用软件和虚拟化技术来实现网络功能可大大缓解这种情况，提高了网络部署的灵活性。

NFV技术中一大重要的应用就是以服务功能链的形式为服务请求提供服务。NFV的服务功能链定义了特定顺序的虚拟网络功能(Virtual Network Function，VNF) 的集合。研究NFV环境中的服务链映射到底层网络的映射机制，对保障NFV网络的高效运行具有重要的理论和实践意义。

部署成本是服务链映射算法需要考虑的一大指标，低成本的映射服务链能够帮助运营商节约部署服务；服务链的服务质量也关乎用户的体验。高可靠性是服务请求执行成功的关键，可靠性越高，则意味着服务链出现故障和错误的几率越小；在另一方面，实时性要求逐渐提高的用户业务也对服务链的部署的端到端延迟性能提出了挑战。最后，因为NFV网络中的资源有限，所以映射算法若不能合理、有效的调度和分配有限的资源，则可能加重网络的负载，造成物理资源的浪费，严重时甚至会产生资源碎片，不利于后续的服务请求的部署。

但是NFV服务链映射的相关技术发明大多局限于部署开销、服务链的可靠性、服务链的端到端时延、资源分配的合理性等方面中的某一两个方面，难以在服务链的映射中实现多目标的均衡优化，以兼顾网络的性能和用户和运营商的利益。为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

技术方案1：专利号为CN108322333A的《一种基于遗传算法的虚拟网络功能的放置方法》专利涉及一种基于遗传算法的虚拟网络功能的放置方法。其包括以下步骤：S1.查询系统的缓存，判断是否存在当前类型的SFC请求的部署结果，若有，转到步骤S4；若没有，转到步骤S2；S2.调用遗传算法，为该服务链中的VNF 有序选择应放置的物理节点；S3.根据S2步骤求得的VNF放置方案，对SFC的虚拟链路进行映射，引导数据流量有序传输；S4.根据部署结果，为SFC分配所请求的物理资源。该发明中阐明了部署的VNF实例与实际运行的VNF之间的资源关系，限制了VNF实例化的次数，以使用尽可能少的VNF实例实现了对SFC请求的处理，促进了整个网络底层物理资源的合理利用，节省了部署的开销。

技术方案1阐明了部署的VNF实例与实际运行的VNF之间的资源关系，限制了 VNF实例化的次数以适应虚拟网络运营商拥有的有限资源；该方案使用遗传算法求解VNF的放置方案，以使用尽可能少的VNF实例接收SFC的请求，以实现了整个网络底层物理资源的合理利用，和节省部署的计算资源开销。但技术方案1 没有考虑实际的应用场景，也没有对带宽资源的消耗进行优化。

技术方案2：专利号为CN107769976A的专利《一种基于传输带宽优化的服务功能链映射方法》设计一种基于传输带宽优化的服务功能链映射方法。该方法在进行服务链映射时,首先调用了一种根据节点的直接连接关系的分层算法对底层网络拓扑的节点进行了分层,以获取对整个网络的感知和认识,然后调用节点评估算法在每一层的节点中选择了剩余计算资源和连接的链路带宽资源最充足的节点，来部署相应的虚拟网络功能,最后将一系列的最优节点依次连接成为服务功能链, 实现了服务功能链映射,以通过使用最少的节点来部署这些虚拟化的网络功能,形成一条跳数较少的服务功能链,最大程度的减少了宝贵的带宽资源消费。

技术方案2在映射时旨在减轻网络的负担和减少带宽资源的开销，其使用了分层算法对网络的节点进行分层，并依次从各层中选取资源最充足的节点进行虚拟网络功能的放置，最后再将各个最优节点连接成链，以求使用尽可能少数目的节点和链路完成服务链的映射。技术方案2的不足之处在于没有考虑用户对业务的服务质量的要求。

技术方案3：专利号为CN108260169A的专利《一种基于QoS保障的服务功能链动态部署方法》涉及一种基于服务质量保障的服务功能链部署方法。该方法在 5G网络切片中借助软件定义网络和网络功能虚拟化技术实现了资源的灵活配置。为了提高切片网络中业务的服务质量，建立了可靠性保障的服务功能链部署模型，该模型以最小化端到端时延为目标，进而提出了一种基于服务质量保障的服务功能链动态部署方案。在网络功能映射过程中，该方案综合考虑了节点的位置和可靠性，利用一种新颖的节点排序方法进行虚拟网络功能的部署，并均衡网络的负载。在链路映射过程中，该算法通过选择满足可靠性需求的时延最短路径来提高服务质量。此发明保证了部署的可靠性的同时降低了服务功能链端到端时延，并且提高了请求接受率和资源利用率。

技术方案3旨在保障部署的基本可靠性需求的前提下，降低服务功能链的端到端时延，并提高请求接受率和资源利用率，但技术方案3在映射过程中追求尽可能的降低时延，而没有针对服务链的部署开销进行优化，忽视了运营商的利益。

发明内容

本发明所要解决的技术问题是提供了一种面向成本和QoS的NFV服务链映射方法，目的是在保障用户对服务的基本服务质量需求和资源需求的前提下，为服务链合理、有效的调度和分配有限的网络资源，减少运营商的部署开销，提高请求的接收率，以取得较高的部署收益。

为解决上述技术问题，本发明采用如下技术方案：

一种面向成本和QoS的NFV服务链映射方法，其步骤如下：

首先，建立面向服务质量保证和成本优化的服务链映射模型，所述服务链映射模型以服务质量需求和资源需求为限制条件，设立服务链映射模型的综合优化目标；然后利用贪心算法GA+LCB求解服务链映射模型。

进一步的，所述综合优化目标为部署总收益。

进一步的，面向服务质量保证和成本优化的服务链映射模型为多目标优化的服务链映射模型，其建立方法如下：

将物理网络用加权无向图G＝(N,L)表示；其中N表示物理节点的集合，每个节点n_i上具有计算资源，计算资源总量为CT_i，剩余量为CR_i；每个节点具有可靠性A_i(0＜A_i＜1)，能承载多种虚拟网络功能V_i；L是连接节点的物理链路的集合，每条链路l_i＝l_j,k(n_j,n_k∈N)上具有带宽资源，带宽资源总量为BT_i，剩余量为BR_i；每条链路也有传输延迟D_i；

用户的服务请求的集合则用S表示；每一个服务请求s_i具有时延要求d_i、带宽需求b_i和可靠性要求R_i，在底层网络中有选定的入口节点o_i(o_i∈N)和出口节点t_i(t_i∈N)；服务请求的服务功能链由若干数量、顺序的VNF组成，每一个VNFf_i,j能实现一种特定类型的网络功能v_i,j，运行功能需要消耗计算资源r_i,j，其实例化后的可靠性为a_i,j；服务请求在接收成功后能获得收入INC_i，并且用户请求需要的服务质量越高，需求的网络资源越多，则INC_i越高。

进一步的，服务链映射模型的映射方案的表示方法如下：

用二进制变量和分别表示服务请求s_i的第j个VNF和VNF的备份是否放置到了节点n_k上，为1表示是，为1表示是，为0表示否，为0表示否；

用二进制变量ub_i,j和bw_i,j分别表示服务请求s_i的第j个VNF是否采用了备份及备份路由的方式，ub_i,j为1时表示采用了备份，ub_i,j为0时表示未采用；bw_i,j为1 时，表示采用了多路径备份，bw_i,j为0时表示采用了同路径备份；

引入二进制变量其为1时，表示节点仅对服务请求s_i起流量转发的作用，不起承载VNF的作用；

用二进制变量表示服务请求s_i的主路径的虚拟链路是否映射到了物理链路，为1时表示服务请求s_i的主路径的虚拟链路映射到了物理链路l_j,k，为0 时表示未映射；用二进制变量表示服务请求s_i的分支路径的虚拟链路是否映射到了物理链路，为1时表示服务请求s_i的分支路径的虚拟链路映射到了物理链路l_j,k，为0时表示未映射。

进一步的，所述资源需求包括成本开销，所述成本开销包括部署的计算资源开销和带宽资源开销；且部署的资源开销与部署消耗的计算资源和带宽资源成正比；服务请求s_i的开销COS_i可由下式(1)计算：

其中，SPE_C表示每单位的计算资源的开销，SPE_B表示每单位的带宽资源的开销。

进一步的，服务链映射模型的映射满足如下约束条件：

其一，VNF的放置和虚拟链路的映射需要资源的约束，包括：需求的资源小于等于节点和链路所拥有的资源总量，且放置在节点上的VNF的网络功能类型是其能承载的功能类型；同一服务链的VNF在任一节点上的放置数量小于等于两个；同时，VNF跟其备份须放置在不同节点上，每个VNF及其备份只能放置在一个物理节点上，不能进行拆分；

其二，服务链的映射的路径中不可存在回路，节点只能作为转发节点或承载VNF的节点；

其三，对于服务请求s_i中的任意一个VNF，承载它的节点的索引不大于其之后的任意一个VNF所在节点的索引；

其四，须满足用户的服务质量需求，其包括时延需求和可靠性需求。

进一步的，服务链的实际可靠性用RA_i表示，其计算分两种情况：

当各个VNF都部署在不同的物理节点上时，则实际可靠性RA_i的计算式如下：

当存在两个相邻的VNF部署在同一节点时，则综合考虑两个VNF的可靠性，有如下的计算公式：

a_i,j×a_i,j+1＝A_K,若

服务链实际可靠性应满足用户的可靠性要求，即有：

RA_i≥R_i

进一步的，所述服务链映射模型的综合优化目标用maxg表示，如下式所示：

其中，S_SUC表示成功接收的服务请求集合。

进一步的，服务链的映射过程采用基于遗传算法的VNF放置算法。

进一步的，在完成VNF的放置后，若服务链的可靠性没有达到要求，则采用基于成本的备份算法对服务链进行冗余备份。

本发明的有益效果如下：

本发明建立了面向成本与服务质量保证的多目标均衡优化的服务链映射模型，提出了一种贪心算法GA+LCB算法来求解服务链映射问题，取得了服务链映射方案的近似最优解。

本发明以最大化资源受限的网络中服务链部署所得的总收益为总体优化目标，以服务链的基本资源需求、基本服务质量要求等为基本的限制条件，建立了一种面向服务质量保证和成本优化的数学模型。

进而，提出了面向成本和服务质量保证的贪心算法GA+LCB算法来进行服务链的映射，并对设计的算法进行了仿真验证。仿真结果表明，与其他对比算法相比，本专利所提出的算法能更有效的提高服务请求的接收成功率，减少部署过程中的成本消耗，取得了更高的部署收益。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为实施例中GA+LCB算法求解问题的流程图。

图2为实施例中不同服务请求个数下部署总收益对比图。

图3为实施例中不同服务请求个数下接受成功率对比图。

图4为实施例中不同服务请求个数下计算资源成本对比图。

图5为实施例中不同服务请求个数下带宽资源成本对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图1-图5和具体实施例对发明进行清楚、完整的描述。

本实施例涉及一种面向成本和QoS的NFV服务链映射方法，目的是在保障用户对服务的基本服务质量需求和资源需求的前提下，为服务链合理、有效的调度和分配有限的网络资源，减少运营商的部署开销，提高请求的接收率，以取得较高的部署收益。

为了达到目的，本实施例首先建立了一种面向服务质量保证和成本优化的服务链映射模型。该数学模型以用户的可靠性要求、时延要求等基本服务质量需求和资源需求等为限制条件，设立的综合优化目标——部署总收益也能够较好的评估映射算法在成本优化和提高服务请求接收成功率两方面的综合表现。该模型中的可靠性主要考虑了硬件因素的影响，时延主要考虑了链路的传输时延，成本开销也主要考虑了部署的计算资源开销和带宽资源开销。

为了求解模型，本专利提出了一种贪心算法GA+LCB(Genetic Algorithm+LeastCost Backup)算法，该算法采用K最短路径算法为服务请求选取满足时延要求的路径集合，并在可用路径上(从第一条开始)采用基于遗传算法的VNF放置算法求解VNF的放置方案，以求能在减少资源碎片、提高网络的负载均衡程度等方面取得较好的综合性能，最后在服务链的可靠性不满足要求的情况下，采用基于成本的备份算法对VNF进行冗余备份，使可靠性达到要求。

(一)模型的建立

本实施例首先建立了面向成本与服务质量保证的多目标优化的服务链映射模型。

模型将物理网络用加权无向图G＝(N,L)表示；其中N表示物理节点的集合，每个节点n_i上具有一定的计算资源，资源总量为CT_i，剩余量为CR_i；每个节点具有一定的可靠性A_i(0＜A_i＜1)，能承载多种虚拟网络功能V_i；L是连接节点的物理链路的集合，每条链路l_i＝l_j,k(n_j,n_k∈N)上具有一定的带宽资源，资源总量为BT_i，剩余量为BR_i；每条链路也有一定的传输延迟D_i。

而用户的服务请求的集合则用S表示；每一个服务请求s_i具有一定的时延要求d_i、一定量的带宽需求b_i和可靠性要求R_i，在底层网络中有选定的入口节点 o_i(o_i∈N)和出口节点t_i(t_i∈N)；服务请求的服务功能链由一定数量、顺序的VNF 组成，每一个VNFf_i,j能实现一种特定类型的网络功能v_i,j，运行功能需要消耗一定量的计算资源r_i,j，其实例化后的可靠性为a_i,j；服务请求在接收成功后能获得一定的收入INC_i，并且用户请求需要的服务质量越高，需求的网络资源越多，则INC_i越高。

接下来将阐述服务链的映射方案的表示：

本发明用二进制变量和分别表示服务请求s_i的第j个VNF和VNF的备份是否放置到了节点n_k上，为1表示是，为0表示否。

为了表示服务请求s_i的第j个VNF是否采用了备份及备份路由的方式，分别引入了二进制变量ub_i,j和bw_i,j，前者为1时表示采用了备份，为0时表示未采用；后者为1时，表示采用了多路径备份，为0时表示采用了同路径备份，其中多路径备份的含义是备份所放置的节点与原先VNF所选用的节点不在同一条路径上。

本发明还引入了二进制变量其为1时，表示节点仅对s_i起流量转发的作用，不起承载VNF的作用；

为了表示链路的映射，分别引入了二进制变量和前者为1时表示s_i的主路径的虚拟链路映射到了物理链路l_j,k，为0时表示未映射；后者为1 时表示s_i的分支路径的虚拟链路映射到了物理链路l_j,k，为0时表示未映射；其中分支路径是由VNF采用多路径备份而产生；为方便后续表示，对于采用多路径备份的VNF，认为其所映射的两条路径中，时延更短的为分支路径。

对于部署的资源开销，本发明认为其与部署消耗的计算资源和带宽资源成正比，s_i的开销COS_i可由下式计算：

其中，SPE_C表示每单位的计算资源的开销，SPE_B表示每单位的带宽资源的开销。

服务链的映射还需要遵循一系列约束条件，下面一一阐述：

首先VNF的放置和虚拟链路的映射需要资源约束，即需求的资源不能超出节点和链路所拥有的资源总量；并且放置在节点上的VNF的网络功能类型需是其能承载的功能类型：

或

为了防止同一服务链的VNF过于集中的放置在某一节点上，本模型规定放置的数量不能超过两个；同时，VNF也不能跟其备份放置在同一节点上，每个 VNF及其备份也只能放置在一个物理节点上，不能进行拆分，即要求：

此外，也不允许服务链的映射的路径中存在回路，即要求节点只能作为转发节点或承载VNF的节点：

对于服务请求s_i，为了保证流量能按既定顺序经过各个VNF，模型对于服务请求s_i从其进口节点到出口节点所经过的所有节点按该照在主路径中的顺序进行编号，用索引I_i,k(n_k∈N)表示，对于服务请求s_i中的任意一个VNF，都需要保证承载它的节点的索引不大于其之后的任意一个VNF所在节点的索引，即要求：

最后还需要保障用户的服务质量需求，即时延需求和可靠性需求

满足时延要求，即有：

而对于可靠性需求，本发明认为每个VNF在放置到了某个节点后，就获得了该节点的可靠性，即有如果VNF使用了备份，则可靠性应为：

对于服务链的实际可靠性RA_i的计算，需要分两种情况讨论

如果各个VNF都部署在不同的物理节点上，那么可靠性应为

如果存在两个相邻的VNF部署在同一节点的情况，那么，综合考虑两个VNF 的可靠性，应有如下的计算公式：

而服务链实际可靠性应满足用户的可靠性要求，即有：

RA_i≥R_i  (10)

最后本模型的综合优化目标，如下式所示：

其中，S_SUC表示成功接收的服务请求集合，显然，如果服务请求的接收成功率越高，每个服务请求的部署开销越小，则g越小，因此其能对接收率和部署开销两大优化目标进行均衡的优化。

(二)设计算法

针对服务链的映射问题，本实施例设计了两种算法应用于服务链的映射过程，下面将详细介绍这两种算法：

(1)基于遗传算法的VNF放置算法

在服务链在网络中入口节点和出口节点间的初始最短路径给定的情况下，VNF放置算法需要在路径上的多个节点中高效、合理的放置每一个VNF，以使节点上的资源能够得到合理利用。

本实施例定义了一个综合的指标E评估放置方案的性能：

a+b+c＝1  (17)

其中，a、b和c是比例系数；nor表示无量纲处理，N_R是未产生资源碎片的节点的集合，即剩余计算资源大于等于各VNF所需资源的最小值且链接的可用链路数目大于零的节点，即有

n_k∈N_R,if CR_k≥min(r_i,j)且

剩余的带宽资源大于等于各服务请求的最小带宽需求的链路。

lbr是一个能够衡量负载均衡程度的指标，该指标越小越好，它由下面的三个式子定义：

imp_k＝w₁×nor(da_k)+w₂×nor(dc_k)+w₃×nor(A_k)+w₄×nor(|V_k|)  (20)

需要说明的是，本实施例的负载均衡是一种基于节点重要性的负载均衡，其中，imp是衡量节点重要性的指标，本发明用链接的可用链路数目(da_k)、链接链路的可用带宽总量(dc_k)、可靠性(A_k)和能承载的网络功能种类数(|V_k|)四个属性衡量节点的重要性；这些重要性较高的节点在备份中被选取和初始路径上出现的几率更高，所以这些节点上的负载更需要减轻，按比例的减轻，以有利后续的处理。最后，lba是一个能够衡量各VNF可靠性分布的合理性的指标，该指标越低越好：

其中，θ是修正系数，上式的意义是，算法在进行VNF的放置时，希望资源需求更高的VNF能够放置在可靠性相对较高的节点上，以减少备份的计算资源开销，这是因为在备份中，算法会更倾向于备份可靠性更低的VNF，因此放置算法的优化目标为：

max E  (23)

在放置算法执行时，会根据当前网络的资源情况调整比例因子的大小，当资源较为充足时，会适当提高可靠性指标在优化目标中的权重；当资源较为紧张时，算法将更重视资源碎片的产生情况和网络的负载均衡情况。

同时放置算法还需要模型的约束条件。

基于之前的限制，算法会根据初始路径上可用节点的数目与服务请求s_i中的VNF数目来决定如何部署：当可用节点数目大于等于VNF数目的一半时，将使用遗传算法。

本实施例的遗传算法将采用数字符号串进行染色体的编码，每条染色体代表一种放置方案，其中m_i,j代表的是服务请求s_i中第j个VNF放置的节点在可用节点中的序号；

遗传算法需要使用一个适应度函数来评估个体的优劣程度，其基于适应度函数进行选择复制，适应度更高的个体有更高几率进入下一代；显然，E就可以作为适应度函数。

基于遗传算法的VNF放置算法的具体执行如下：

输入：G(N,L)，第k短路径P_i,k，资源需求

输出：VNF的放置策略

步骤：

1.检查第K短路径P_i,k上的每个节点，查看其是否满足可用条件CR_k≥min(r_i,j)，若满足，加入可用节点集N_A；

2.比较可用节点数目和服务链的VNF的数目，若|N_A|＜1/2|s_i|，则可用节点数目不足，视为部署失败，终止算法的执行；

3.根据网络资源情况调整a、b和c的大小；

4.产生含有n个满足约束条件的个体的初始种群Group(0)；若生成个体时，连续不满足约束条件n次，则返回当前Group(0)适应度最高的个体的放置策略 M_best，终止算法的执；若当前个体数为0，按顺序遍历N_A，为每一个VNF从可部署的节点中选择剩余资源最大的节点进行部署，若仍无法成功，判断部署失败，终止算法的执行；

5.计算第i代种群Group(i)中每个个体的适应度e_j，并记录适应度最高的个体的放置方案M_best；

6.使用轮盘赌算法生成下一代个体Group(i+1)，并使用M_best替换Group(i+1) 适应度最小的个体；

7.以概率P_C让Group(i+1)的两两个体在随机位置单点交叉，并将杂交产生的新个体加入Group(i+1)；

8.对于Group(i+1)的每一个个体g_j，以概率P_M让其变异；

9.检查Group(i+1)中的个体是否满足约束条件，将不满足约束条件的个体删除；

10.判断代数i是否等于n，若不等于，则返回步骤5；

11.返回最佳放置策略M_best。

(2)基于成本的备份算法

在完成VNF的放置后，若服务链的可靠性没有达到要求，则需要对服务链进行冗余备份，为此，本实施例设计了一种基于成本的备份算法。

备份算法的目标是，在使服务链可靠性达到要求的同时，减少备份的资源开销。本实施例的备份算法将综合考虑单路径路由和多路径路由的优点，其中，单路径路由是延伸或更改主路径的部分链路，在更改或延伸的部分上完成备份VNF的放置，这样做的带宽开销相对较少，但会带来较大的额外时延；多路径路由则是在特定节点间额外映射一条路径，在分支路径上进行备份的放置，即备份所在的节点和原节点在流量上呈并行关系，这样做带来的额外时延较小，但带宽开销相对较多。

备份算法的具体执行如下：

输入：G(N,L)，第k短路径P_i,k，资源需求b_i，d_i，R_i，RA_i，初始部署方案

输出：VNF的备份策略

步骤：

1.初始化选择系数a_max和待备份的VNF f_select；

2.对于s_i中的未采用备份(未被选择过进行备份)的VNF，计算选取f_i,j进行备份时，服务链可靠性的可提高幅度与f_i,j所需的资源之比a_i,j，并记录最高的系数a_max和对应的VNFf_select；

3.若f_select＝＝0，则判定备份算法执行失败，终止算法执行；

4.在f_select的前置VNF和后置VNF间映射的路径上寻找满足约束条件且剩余资源最大的节点，若能找到，将备份放置在该节点上，转到步骤8；

5.执行基于单路径路由的备份策略，步骤如下所示：

a)先在f_select和后置VNF间求解满足约束条件的最短路径集合；

b)遍历返回的路径集合，维护一个基于路径的链接数目和节点的剩余资源大小的最小优先队列Q(若所在路径的链路数目相同，则剩余资源更大的优先级更高)。

c)弹出Q的顶点，放置备份，更改映射路径，更新G。

d)若未找到可放置的节点，在f_select和前置VNF间重复类似上述三步的操作；若单路径路由的备份策略执行成功，则转到步骤8；

6.执行基于多路径由的备份策略，思路与单路径类似，只不过K最短路径算法是在f_select的前置VNF和后置VNF间执行的，且找到满足要求的节点后，依然会保留原来的路径。若执行成功，转到步骤8；

7.判断a_select和R_i的大小，若前者大于后者，返回步骤1；否则，判断备份算法执行失败，终止算法执行；

8.判断可靠性是否满足要求，若满足要求，则判定备份算法执行成功，返回最佳备份策略B_best；若不满足要求，返回步骤1。

关于算法的求解：

服务链的映射问题是一个典型的NP-hard问题，在NP≠P的情况下，是不存在一个多项式时间算法来求得问题的最优解。为此，本实施例提出了一种启发式的贪心算法GA+LCB，该算法将基于之前所设计的两种算法对模型进行求解。

GA+LCB算法求解问题的流程如图1所示。

本实施例将服务链的映射问题划分为初始映射和备份映射两部分：在正式映射前，算法会根据服务链的时延要求、收入和预估的开销，对服务链进行综合的排序，然后算法将依次处理每一条服务链；在初始映射中，算法将先使用K最短路径算法在服务链的入口网元和出口网元间求解K条满足约束条件的最短路径集合，并根据链路的数目和路径上剩余的资源量对路径进行排序，以减少带宽的开销和减轻网络的负载；初始路径确定后，算法将基于遗传算法来在路径上完成VNF的放置；若初始映射后服务链的可靠性不满足要求，就需要进行冗余备份，在备份映射中算法将采用基于成本的备份算法，以尽可能降低备份的开销。

本发明采用MyEclipse和MATLAB软件进行算法的仿真验证，仿真的网络拓扑和服务功能链的具体参数如下表所示：

表 物理网络和服务功能链的参数设置

本发明选取了三种算法进行对比。

第一种对比算法FF+LCB(First-Fit+Least Cost Backup)采用First-Fit算法进行初始的VNF部署，其的基本思想是在起点到源点的最短路径上，为每一个VNF选取其第一个可部署的节点进行放置，而备份算法与GA+LCB相同。

第二种对比算法LLG+LCB(Least Load Greedy+Least Cost Backup)将采用LLG(Least Load Greedy)算法进行初始VNF的放置，其的基本思想是在初始路径上，对于每一个VNF，从其可以部署在的节点中，选取所剩计算资源最多的节点进行放置，而备份算法与GA+LCB相同。

第三种对比算法GA+LDB(Genetic Algorithm+Least Delay Backup)在备份算法中将优先使用基于多路径路由的备份，并且其在备份节点的选取中，将选取所在路径时延最小的节点，目的是降低备份的时延。

为了验证映射方案的有效性，仿真将选取以下四个性能指标进行评估：

1、部署的总收益，即总优化目标，该项指标将作为评估算法性能的首要指标，该指标越高越好。

2、成功接收的服务请求数，该指标越高越好。

3、平均每个VNF的计算资源开销，即公式3-23的第一项，该指标越低越好。

4、平均每个VNF的带宽资源开销，即公式3-23的第二项，该指标越低越好。具体的仿真结果如下所示：

首先来对比各个算法的部署收益，结果如图2所示，从图2中可以看出，本发明设计的GA+LCB算法总能取得最高的部署收益，并且随着请求数量的增加，优势愈发明显，这是因为GA+LCB算法在进行服务链映射时充分考虑到了资源分配合理性和有效性以及成本开销等多个方面的因素，因此取得了较好的综合性能。而 FF+LCB算法的表现最差，是因为其在初始的VNF放置中使用的策略比较简单，没有进行性能的优化。

接下来对比各个算法的接收成功率，结果如图所示：由图3可以看出，在请求比较少的时候，GA+LCB算法的优势尚不明显，因为此时资源还较为充足；而随着请求数量增加，GA+LCB的优势逐渐增加，这是因为GA+LCB算法在进行初步的 VNF放置时，充分考虑到了资源碎片和负载均衡的问题，在进行备份时，也尽力减轻网络的负载；而LLG+LCB算法仅次于GA+LCB算法，因为其在初步的VNF放置时选择了能够减轻网络负载的局部最优解，一定程度上缓解了网络负载；而 GA+LDB和FF+LCB算法的表现最差，是因为前者在进行备份时消耗了较多的带宽资源，加重了链路的负载，而后者在初始部署时，没有考虑负载均衡，也没有考虑资源碎片的问题。

然后再来对比各个算法的计算开销，如图所示：GA+LCB算法和GA+LDB算法的表现明显要比另外两种算法好，这是因为它们在初始映射时，致力于提高初始映射的可靠性和可靠性分布的合理性，从而减少了备份可能消耗的计算资源；而随着服务请求数量增加，优势也逐渐减小，是资源减少时，放置算法会有意识的减少可靠性因子在适应度函数中的比重，更多的考虑资源碎片的影响和负载均衡。最后，来对比各个算法的带宽开销，如下图所示：可以看到GA+LCB算法表现最好，而LLG+LCB算法次之，后者在服务请求数量比较多的时候，带宽开销要多于本发明的算法，这是因为后者在减轻网络负载时考虑的是局部最优，在总体效果上不如GA+LCB，导致其在先选择的路径(链路数目较少的路径)上对资源利用的合理性稍差一筹；而GA+LDB算法和FF+LCB算法表现最差，是因为前者在备份时优先采用了带宽开销较大的多路径路由，而后者在初始映射时没有考虑负载均衡和资源碎片的问题，加重了网络的负载，导致先选择的路径上的资源未能合理的使用，服务请求在后选择的路径上部署成功的几率增大，增大了带宽开销。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (1)

1.一种面向成本和QoS的NFV服务链映射方法，其特征在于，其包括如下步骤：

首先，建立面向服务质量保证和成本优化的服务链映射模型，所述服务链映射模型以服务质量需求和资源需求为限制条件，设立服务链映射模型的综合优化目标；

然后利用贪心算法GA+LCB求解服务链映射模型，GA即遗传算法Genetic Algorithm，LCB即基于成本的备份算法Least Cost Backup，其中首先采用K最短路径算法为服务请求选取满足时延要求的路径集合，并在可用路径上采用基于遗传算法的VNF放置算法求解VNF的放置方案，最后在服务链的可靠性不满足要求的情况下，采用基于成本的备份算法对VNF进行冗余备份，使可靠性达到要求；

所述综合优化目标为部署总收益；

面向服务质量保证和成本优化的服务链映射模型为多目标优化的服务链映射模型，其建立方法如下：

将物理网络用加权无向图G＝(N，L)表示；N表示物理节点的集合，其中每个节点n_p上具有计算资源，计算资源总量为CT_p，剩余量为CR_p；每个节点具有可靠性A_p，0＜A_p＜1，能承载多种虚拟网络功能V_p；L是连接节点的物理链路的集合，其中每条链路l_q上具有带宽资源，带宽资源总量为BT_q，剩余量为BR_q，每条链路也有传输延迟D_q，

用户的服务请求的集合则用S表示；每一个服务请求s_i具有时延要求d_i、带宽需求b_i和可靠性要求R_i，在底层网络中有选定的入口节点o_i和出口节点t_i，o_i∈N，t_i∈N；服务请求的服务功能链由若干数量、一定顺序的VNF组成，每一个VNF f_i，j能实现一种特定类型的网络功能v_i，j，运行功能需要消耗计算资源r_i，j，其实例化后的可靠性为a_i，j；服务请求在接收成功后能获得收入INC_i，并且用户请求需要的服务质量越高，需求的网络资源越多，则INC_i越高；

其中基于遗传算法的VNF放置算法详述如下：

在服务链在网络中入口节点和出口节点间的初始最短路径给定的情况下，VNF放置算法需要在路径上的多个节点中高效、合理的放置每一个VNF，以使节点上的资源能够得到合理利用；

指标E用以评估放置方案的性能：

a+b+c＝1    (2)

其中a、b和c是比例系数；nor表示无量纲处理，RA_i表示服务链的实际可靠性，N_R是节点的集合，所述N_R中的节点是未产生资源碎片的节点，即剩余计算资源大于等于各VNF所需资源的最小值且链接的可用链路数目大于零的节点，CR_k是节点n_k的计算资源剩余量，lbr是一个能够衡量负载均衡程度的指标，该指标越小越好，所述负载均衡是基于节点重要性的负载均衡，lba是衡量各VNF可靠性分布的合理性的指标，该指标越低越好；

基于遗传算法的VNF放置算法的优化目标为：

max E       (3)

遗传算法中的每条染色体代表一种放置方案；遗传算法用适应度函数来评估个体的优劣程度，其基于适应度函数进行选择复制，适应度更高的个体有更高几率进入下一代，其中使用E作为适应度函数；

基于成本的备份算法详述如下：

备份算法的目标是，在使服务链可靠性达到要求的同时，减少备份的资源开销；备份算法综合考虑单路径路由和多路径路由的优点，其中，单路径路由是延伸或更改主路径的部分链路，在更改或延伸的部分上完成备份VNF的放置；多路径路由则是在特定节点间额外映射一条路径，在分支路径上进行备份的放置，即备份所在的节点和原节点在流量上呈并行关系。

Images