CN110636137B - 一种海洋观监测网络中基于集群的nfv服务链优化方法 - Google Patents

Abstract

本发明提出了一种海洋观监测网络中基于集群的NFV服务链优化方法。该方法首先建立海洋观监测网络拓扑和VNF存储模型，然后推导出网络平均服务时间与集群个数之间的数学关系式，最后通过仿真估计得到使得网络平均服务时间最小的集群个数，从而优化了整个NFV服务链。本发明能够降低海洋网络观监测应用的时延，提高网络的可靠性和服务的连续性。

Description

一种海洋观监测网络中基于集群的NFV服务链优化方法

技术领域

本发明涉及一种海洋观监测网络中基于集群的NFV服务链优化方法，属于网络功能虚拟化技术和物联网技术领域。

背景技术

我国“全球海洋立体观测网”作为“下一代海洋信息网络”重要组成部分，可提供多种观监测应用。该项目是汇聚海洋空间、环境、生态、资源等各类数据，保障先进海洋观测的基础设施。可实现高密度、多要素、多属性、多维度、全天候、全自动的全球海洋立体观测。

全天候、全自动海洋观监测和目标态势感知、海洋信息传输、以及海上综合业务服务，如：水下和水面作业的全天候自动巡航、紧急救援、实时定位跟踪，以及面向军事领域的防御、精确预警和判定打击等低时延信息服务。要想使得这些海洋网络观监测业务服务能够有效的开展，就必须实现网络的可靠性和低时延。

为了实现网络低时延、更高的传输性能以及满足我国“全球海洋立体观测网”更严苛的应用需求，传统船联组网方式因无法灵活有效地适配各种网络资源，难以解决服务连续性/多样性与网络异构/资源受限之间存在的矛盾，已不再符合未来服务驱动网络业务迫切需求。同时，现有船联组网结构僵化严重，新服务重复建设升级，造成严重浪费。那么，结合网络功能虚拟化(NFV)、软件定义网络(SDN)、边缘计算/雾计算(Edge/Fog Computing)等最新网络资源优化技术，组建下一代海洋网络已刻不容缓。

发明内容

目的：为了克服上述不足，本发明提供了一种海洋观监测网络中基于集群的NFV服务链优化策略，降低海洋网络观监测应用的时延，提高网络的可靠性和服务的连续性。

本发明的技术方案如下：

一种海洋观监测网络中基于集群的NFV服务链优化方法，其特征在于包括如下步骤：

(1)、海洋观监测网络拓扑结构建立；

(2)、建立VNF存储模型；

(3)、网络平均服务时间与集群个数的之间的数学关系式的推导；

(4)、最后通过仿真估计得到使得网络平均服务时间最小的集群个数，优化整个NFV服务链。

上述步骤(1)的具体步骤如下：

设置海洋观监测网络拓扑结构为一个半径为R的圆形场景，其中m个具有一定计算能力的浮标节点和若干船舶中心形成S个半径为R_c的非重叠集群，每个集群的中心是海洋网络中待观监测的点，在该点周围浮标节点近似成高斯分布，所有集群都是独立的高斯分布，从而整个观监测网络成多元高斯分布；其中同一集群中的浮标节点彼此靠近并执行服务链接过程；在集群中，存在本地簇头节点和成员节点，并且成员节点存储不同种类的VNF；对于每个集群，本地簇头节点具有集群的VNF分发信息；对于从源节点到目的节点的连接请求，数据流控制器使用包括源节点ID，目的节点ID和在报头头部中所需的VNF的信令分组连接到本地簇头节点；假设海洋网络的流入流量自相似，平均数据速率为u bps，采用分数布朗运动模型描述VNF在海洋网络浮标节点之中的状态；在创建VNF服务链时，每个数据流都由本地簇头节点初始化；每个数据流都需要在其报头的头部中提供源节点ID，目的节点ID，所需的VNF的信息；基于所需的VNF字段，本地簇头节点确定集群序列中需要将数据流引导到链中的VNF的路由；如果所需的VNF不在集群中则浮标节点需要通过船舶中心从另一个最近的具有该VNF的节点迁移此VNF，然后本地簇头节点创建VNF链；

上述步骤(2)的具体步骤如下：

假设每个VNF具有流行度指示符，其通过实时监视VNF需求率而定期更新；使用标准的Zipf定律进行流行度分布，则在v个VNF中流行度排第w的VNF被使用的概率描述为：

其中，

为归一化参数，α是Zipf定律的形状参数，定义了来自浮标节点的VNF请求的相关级别；高值α意味着大多数请求是从几个最流行的VNF生成的；

上述步骤(3)的具体步骤如下：

假设每个集群中VNF只有一个备份，得到：

(3-1)任意VNF请求是在本地簇头中的概率是:

其中m_b是集群内平均节点个数，

c表示每个浮标节点的VNF容量，p表示浮一个标节点中的最大VNF数；

(3-2)任意VNF请求在成员节点中而不在本地簇头中的概率为:

c·m/S表示为集群内平均VNF数；

由于在海洋网络模型中每个集群都是一个独立的高斯分布，用g(x)来描述集群内每个节点的概率密度函数：

其中ψ表示此密度函数的特征矩阵，μ表示密度函数的中心点：采用单位矩阵作为每个集群的特征矩阵，即假设每个集群是一个半径为R_c的圆，于是集群内每个节点的概率密度函数简化计算为：

其中E为单位矩阵；

设,C₁,C₂表示两个集群，n₁,n₂分别表示C₁,C₂中的节点个数，x_i,x_j分别表示C₁,C₂中的节点，则集群间节点平均距离D(C₁,C₂)表示为：

其中D(x_i,x_j)为节点x_i,x_j之间的距离；

设集群C₃中的节点个数为k，则集群内节点间的平均距离为：

其中D(x_ki,x_kj)为C₃中两节点之间的距离；

假设网络中节点间的跳数与节点间的距离成比例，设集群内节点间的平均跳数为h_in，集群间节点间的平均跳数为h_out，设h_out＝t·h_in＝t·h，则t是关于R_c的表达式；

设网络中浮标节点间的平均端到端延迟为D(S)：

其中，

n_l为网络中流的个数，H是Hurst参数，表示时间序列的自相似程度，u是自相似流入流量的平均速率，σ是流的平均标准差，Q是相邻节点之间的平均链路容量，

是自相似fBm流量模型的溢出概率，表示为：

其中u_i是第i个流的流入速率，b是稳态积压队列的统计界限；由此推出网络平均服务时间T:

其中n为网络中VNF的数量，P_s为浮标节点与船舶中心成功连接的概率，D_f为浮标节点与船舶中心的平均时延；

采用仿真枚举实验的方法来得到最优R_c的大小，即最优集群的个数S_opt，S与R_c的关系为:

S·πR_c ²＝πR²

本发明的有益效果如下：本发明能够降低海洋网络观监测应用的时延，提高网络的可靠性和服务的连续性。

附图说明

图1海洋观监测网络拓扑结构；

图2 VNF存储模型；

图3系统流程图；

图4服务链建立过程流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

如图1、2和3所示，一种海洋观监测网络中基于集群的NFV服务链优化策略，(1)、海洋观监测网络拓扑结构建立；

(2)、建立VNF存储模型；

(3)、网络平均服务时间与集群个数的之间的数学关系式的推导；

(4)、最后通过仿真估计得到使得网络平均服务时间最小的集群个数，优化整个NFV服务链。

所述海洋观监测网络拓扑建立过程如下；

设置海洋观监测网络拓扑结构是一个半径为R的圆形场景，如图1所示，其中m个具有一定计算能力的浮标节点和若干船舶中心形成S个半径为R_c的非重叠集群。每个集群的中心是海洋网络中待观监测的点，在该点周围浮标节点近似成高斯分布，因此所有集群都是独立的高斯分布，从而整个观监测网络成多元高斯分布。其中同一集群中的浮标节点彼此靠近并执行服务链接过程。在集群中，存在本地簇头(CH)节点和成员(CM)节点，并且成员节点可以存储不同种类的VNF。对于每个集群，CH节点具有集群的VNF分发信息。对于从源节点到目的节点的连接请求，数据流控制器使用包括源节点ID，目的节点ID和在报头头部中所需的VNF的信令分组连接到CH节点。假设海洋网络的流入流量自相似，平均数据速率为ubps，本策略采用分数布朗运动模型描述VNF在海洋网络浮标节点之中的状态。

如图4所示，在创建VNF服务链时，每个数据流都由CH节点初始化。每个数据流都需要在其报头的头部中提供源节点ID，目的节点ID，所需的VNF等的信息。基于所需的VNF字段，CH节点确定集群序列中需要将数据流引导到链中的VNF的路由。如果所需的VNF不在集群中则浮标节点需要通过船舶中心从另一个最近的具有该VNF的节点迁移此VNF，然后CH节点创建VNF链。

所述的VNF存储模型的建立过程如下，假设每个VNF具有流行度指示符，其通过实时监视VNF需求率而定期更新。本策略中使用标准的Zipf定律进行流行度分布，则在v个VNF中流行度排第w的VNF被使用的概率可以描述为：

其中，

为归一化参数，α是Zipf定律的形状参数，它定义了来自浮标节点的VNF请求的相关级别。高值α意味着大多数请求是从几个最流行的VNF生成的。

在基于NFV的观监测海洋网络中，由于经常需要对观监测的对象的行为做出及时的响应，如(紧急救援、军事领域防御和实时跟踪等)。因此，假设每个浮标节点的本地VNF管理器始终保持前p流行的VNFs，如图2所示，这些VNFs是基本VNF(B-VNFs)并且在现实中经常使用，因此它们可以在接收紧急情况时尽快启动以处理事件消息。而其他类型的VNF是较流行VNF(M-VNFs)和不太流行VNF(L-VNFs)。假设每个浮标节点的VNF容量为C，这是可以存储在一个浮标节点中的最大VNF数(C>p)。此外，还有一个假设是CH作为集群中连接最丰富的节点，总是存储着q个M-VNFs和较流行的C-p-q个L-VNFs，而其余的L-VNFs随机存储在集群的CM中，具体取决于何时需要。当所需的VNF不在集群中时，浮标节点将通过船舶中心从集群外部具有所需VNF的最近的浮标节点迁移该VNF，当VNF迁移到集群中后，此集群的CM中最不受欢迎的现有VNF将替换为它。

所述的网络平均服务时间与集群个数的之间的数学关系式的推导过程如下：

基于VNF存储模型，假设每个集群中VNF只有一个备份，那么我们可以得到：

1)任意VNF请求是在本地簇头中的概率是:

其中m_b是集群内平均节点个数，

c表示每个浮标节点的VNF容量，p表示浮一个标节点中的最大VNF数；

2)任意VNF请求在成员节点中而不在本地簇头中的概率为:

c·m/S表示为集群内平均VNF数。

由于在海洋网络模型中每个集群都是一个独立的高斯分布，即可以用g(x)来描述集群内每个节点的概率密度函数：

其中ψ表示此密度函数的特征矩阵，μ表示密度函数的中心点：

但由于特征空间维数较高，计算特征矩阵的开销过高，因此采用单位矩阵作为每个集群的特征矩阵，即假设每个集群是一个半径为R_c的圆，于是集群内每个节点的概率密度函数可以简化计算为：

其中E为单位矩阵。

设,C₁,C₂表示两个集群，n₁,n₂分别表示C₁,C₂中的节点个数，x_i,x_j分别表示C₁,C₂中的节点，则集群间节点平均距离D(C₁,C₂)可以表示为：

其中D(x_i,x_j)为节点x_i,x_j之间的距离。

设集群C₃中的节点个数为k，则集群内节点间的平均距离为：

其中D(x_ki,x_kj)为C₃中两节点之间的距离。

假设网络中节点间的跳数与节点间的距离成比例，设集群内节点间的平均跳数为h_in，集群间节点间的平均跳数为h_out，设h_out＝t·h_in＝t·h，则t是关于R_c的表达式。

设网络中浮标节点间的平均端到端延迟为D(S)：

其中，

n_l为网络中流的个数，H是Hurst参数，表示时间序列的自相似程度，u是自相似流入流量的平均速率，σ是流的平均标准差，Q是相邻节点之间的平均链路容量，

是自相似fBm流量模型的溢出概率，可表示为：

其中u_i是第i个流的流入速率，b是稳态积压队列的统计界限。由此，我们可以推出网络平均服务时间T:

其中n为网络中VNF的数量，P_s为浮标节点与船舶中心成功连接的概率，D_f为浮标节点与船舶中心的平均时延。

观察上式可以发现，m_b，t，h均与R_c有关，若直接对R_c进行求导则式子过于复杂，所以在本方法中采用仿真枚举实验的方法来得到最优R_c的大小，即最优集群的个数S_opt，S与R_c的关系为:

S·πR_c ²＝πR²

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种海洋观监测网络中基于集群的NFV服务链优化方法，其特征在于包括如下步骤：

(1)、海洋观监测网络拓扑结构建立；

设置海洋观监测网络拓扑结构为一个半径为R的圆形场景，其中m个具有一定计算能力的浮标节点和若干船舶中心形成S个半径为R_c的非重叠集群，每个集群的中心是海洋观监测网络中待观监测的点，在该点周围浮标节点近似成高斯分布，所有集群都是独立的高斯分布，从而整个观监测网络成多元高斯分布；其中同一集群中的浮标节点彼此靠近并执行服务链接过程；在集群中，存在本地簇头节点和成员节点，并且成员节点存储不同种类的VNF；对于每个集群，本地簇头节点具有集群的VNF分发信息；对于从源节点到目的节点的连接请求，数据流控制器使用包括源节点ID，目的节点ID和在报头头部中所需的VNF的信令分组连接到本地簇头节点；假设海洋观监测网络的流入流量自相似，平均数据速率为u bps，采用分数布朗运动模型描述VNF在海洋观监测网络浮标节点之中的状态；在创建VNF服务链时，每个数据流都由本地簇头节点初始化；每个数据流都需要在其报头的头部中提供源节点ID，目的节点ID，所需的VNF的信息；基于所需的VNF字段，本地簇头节点确定集群序列中需要将数据流引导到链中的VNF的路由；如果所需的VNF不在集群中则浮标节点需要通过船舶中心从另一个最近的具有该VNF的节点迁移此VNF，然后本地簇头节点创建VNF服务链；

(2)、建立VNF存储模型；

假设每个VNF具有流行度指示符，其通过实时监视VNF需求率而定期更新；使用标准的Zipf定律进行流行度分布，则在v个VNF中流行度排第w的VNF被使用的概率描述为：

其中，

为归一化参数，α是Zipf定律的形状参数，定义了来自浮标节点的VNF请求的相关级别；高值α意味着大多数请求是从几个最流行的VNF生成的；

(3)、网络平均服务时间与集群个数之间的数学关系式的推导；

假设每个集群中VNF只有一个备份，得到：

(3-1)任意VNF请求是在本地簇头中的概率是:

其中m_b是集群内平均节点个数，

c表示每个浮标节点的VNF容量，p表示一个浮标节点中的最大VNF数；

(3-2)任意VNF请求在成员节点中而不在本地簇头中的概率为:

c·m/S表示为集群内平均VNF数；

由于在海洋网络模型中每个集群都是一个独立的高斯分布，用g(x)来描述集群内每个节点的概率密度函数：

其中ψ表示此密度函数的特征矩阵，μ表示密度函数的中心点：采用单位矩阵作为每个集群的特征矩阵，即假设每个集群是一个半径为R_c的圆，于是集群内每个节点的概率密度函数简化计算为：

其中E为单位矩阵；

设,C₁,C₂表示两个集群，n₁,n₂分别表示C₁,C₂中的节点个数，x_i,x_j分别表示C₁,C₂中的节点，则集群间节点平均距离D(C₁,C₂)表示为：

其中D(x_i,x_j)为节点x_i,x_j之间的距离；

设集群C₃中的节点个数为k，则集群内节点间的平均距离为：

其中D(x_ki,x_kj)为C₃中两节点之间的距离；

假设网络中节点间的跳数h与节点间的距离成比例，设集群内节点间的平均跳数为h_in，集群间节点间的平均跳数为h_out，设h_out＝t·h_in＝t·h，则t是关于R_c的表达式；

设网络中浮标节点间的平均端到端延迟为D(S)：

其中，

n_l为网络中流的个数，H是Hurst参数，表示时间序列的自相似程度，u是自相似流入流量的平均速率，σ是流的平均标准差，Q是相邻节点之间的平均链路容量，

是自相似fBm流量模型的溢出概率，表示为：

其中u_i是第i个流的流入速率，b是稳态积压队列的统计界限；由此推出网络平均服务时间T:

其中n为网络中VNF的数量，P_s为浮标节点与船舶中心成功连接的概率，D_f为浮标节点与船舶中心的平均时延；

采用仿真枚举实验的方法来得到最优R_c的大小，即最优集群的个数S_opt，S与R_c的关系为:

S·πR_c ²＝πR²

(4)、最后通过仿真估计得到使得网络平均服务时间最小的集群个数，优化整个NFV服务链。

Images