CN111130904A - 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法 - Google Patents

一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法 Download PDF

Info

Publication number
CN111130904A
CN111130904A CN201911402655.0A CN201911402655A CN111130904A CN 111130904 A CN111130904 A CN 111130904A CN 201911402655 A CN201911402655 A CN 201911402655A CN 111130904 A CN111130904 A CN 111130904A
Authority
CN
China
Prior art keywords
vnf
server
sfc
migration
state
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
CN201911402655.0A
Other languages
English (en)
Other versions
CN111130904B (zh
Inventor
唐伦
贺兰钦
谭颀
陈前斌
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.)
Shanghai Guanmin Information Technology Co ltd
Shenzhen Wanzhida Technology Transfer Center Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911402655.0A priority Critical patent/CN111130904B/zh
Publication of CN111130904A publication Critical patent/CN111130904A/zh
Application granted granted Critical
Publication of CN111130904B publication Critical patent/CN111130904B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
    • 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
    • H04L41/0893—Assignment of logical groups to network elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，属于移动通信技术领域。该算法具体包括以下步骤：S1：在NFV/SDN架构下，考虑SFC资源需求动态变化，在保证底层物理资源和用户QoS需求的前提下，通过VNF迁移，并确定底层每个通用物理服务器的工作状态，实现网络能耗与SFC端到端时延的联合优化；S2：针对状态空间和动作空间是连续值集合，采用基于深度确定性策略梯度的VNF智能迁移算法，从而得到近似最优的VNF迁移策略；S3：在每个离散的时隙上，根据底层通用服务器工作状态、VNF的CPU资源需求以及虚拟链路的带宽资源需求，将VNF迁移至合适的目的服务器上。该算法可以实现网络能耗和SFC端到端时延的折中，并提高物理网络的资源利用率。

Description

一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法
技术领域
本发明属于移动通信技术领域，涉及一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法。
背景技术
近年来，随着移动设备的爆炸式增长，云计算、大数据等网络技术的迅速发展，用户对多样化、高质量和敏捷的服务需求呈指数级增长。服务提供商为了提供更加灵活的高质量低成本服务，将虚拟化技术引入云数据中心，虚拟机技术是虚拟化技术中的一种，实时虚拟机(VM)迁移对于网络维护、数据中心扩展、避免灾难和负载均衡至关重要。但是VM迁移是将整个VM从一台服务器迁移到另一台服务器，为了实现其内部状态的一致性，需要传输大量的数据，会占用较大的带宽和计算资源，从而对网络造成了负面的影响。
在软件定义网络(SDN)环境下，网络功能虚拟化(NFV)技术根据当前的用户服务请求创建服务功能链(SFC)，SFC由多个虚拟网络功能(VNF)按照特定的顺序编排构成，将VNF部署在不同底层服务器上，进而为用户提供服务，于是将VM迁移转化为VNF迁移，VNF迁移大大减少了要传输的数据量，同时也减少了迁移过程中所需要的资源。
现有的VNF迁移机制均没有对网络能耗最小化及SFC端到端时延最小化进行联合考虑，而且大多数文献研究都是基于环境状态已知的情况下，没有考虑到环境随时间的动态变化，另外，针对有生命周期的SFC，在长时间尺度下研究VNF迁移的工作并不多。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，能够在保证底层服务器CPU资源、物理链路带宽资源以及用户时延需求的前提下联合优化网络能耗和SFC端到端时延。
为达到上述目的，本发明提供如下技术方案：
一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，该算法具体包括以下步骤：
S1：在NFV/SDN架构下，考虑SFC资源需求动态变化，在保证底层物理资源和用户QoS需求的前提下，通过VNF迁移，并确定底层每个通用物理服务器的工作状态，实现网络能耗与SFC端到端时延的联合优化；
S2：针对状态空间和动作空间是连续值集合，采用基于深度确定性策略梯度的VNF智能迁移算法，从而得到近似最优的VNF迁移策略；
S3：在每个离散的时隙上，根据底层通用服务器工作状态、VNF的CPU资源需求以及虚拟链路的带宽资源需求，将VNF迁移至合适的目的服务器上。
进一步，所述NFV/SDN架构包含三层：应用层主要为网络业务请求创建SFC，通过SFC为用户提供服务；虚拟化层主要负责网络状态监控和底层网络负载分析；物理层为SFC提供其实例化的物理资源，物理网络主要是由通用物理服务器组成；
所述VNF迁移为选择待迁移的VNF和迁移目的节点选取；
所述通用物理服务器的工作状态是指底层物理服务器正常工作和休眠两种状态。
进一步，在步骤S1中，所述考虑SFC资源需求动态变化，其中SFC资源需求为VNF的CPU资源需求和虚拟链路带宽资源需求。
进一步，在步骤S1中，所述保证底层物理资源和用户QoS需求，其中所述底层物理资源是指通用物理服务器的CPU资源和链路带宽资源，所述用户QoS需求是指用户时延不能超过最高用户时延要求。
进一步，在步骤S1中，所述的网络能耗为：服务器待机时的能量消耗，服务器CPU负载时的能量消耗以及服务器工作状态切换时的能量消耗；所述的SFC端到端时延是指：SFC上的VNF的处理时延和虚拟链路的传输时延。
进一步，在步骤S2中，所述状态空间为：网络拓扑状态，VNF CPU资源需求和虚拟链路带宽资源需求；所述动作空间是指VNF映射变量。
进一步，所述的服务器工作状态切换时的能量消耗具体为：上一个时隙与当前时隙服务器的状态发生改变时产生的切换能量；所述SFC上的VNF处理时延是与底层物理通用服务器负载成正比，该底层物理通用服务器负载是指映射到该服务器上的VNF CPU资源之和与该服务器总的CPU资源的比值；所述虚拟链路的传输时延是指流通过每条虚拟链路需要的时间。
进一步，所述网络拓扑状态为底层通用服务器的工作状态，即服务器正常工作状态与休眠状态；所述VNF映射变量为一个VNF选择一个服务器进行映射的二进制变量。
进一步，在步骤S3中，在每个离散的时隙上，根据所述网络拓扑状态、VNF资源需求状态以及虚拟链路带宽资源需求状态将VNF迁移至合适的目的主机上，并关闭相应的底层通用服务器，实现网络能耗与SFC端到端时延的联合优化，具体步骤如下：
S31：初始化各参数以及系统状态；
S32：在每个调度时隙开始时，收集当前时隙的状态，即各所述的网络拓扑状态信息、VNF CPU资源需求信息以及虚拟带宽资源需求信息；
S33：根据下式分配最优的VNF迁移动作：
Figure BDA0002347732490000031
其中所述A为：行动空间，即VNF映射二进制变量；
其中所述γ为：折扣因子；
其中所述Qπ(xt+1,at+1)为：下一时隙的行为值函数；
其中所述rt为：时隙t时的即时回报函数，表示为：
Figure BDA0002347732490000032
其中所述Ptotal(t)为网络总能耗；
其中所述Pmax为网络能耗最大值；
其中所述delayi(t)为第i条SFC的时延；
其中所述Di为第i条SFC的最长时延要求；
其中所述a1与a2为加权值，满足a1+a2＝1；
S34：给定所述VNF映射变量，判断当前所述的VNF迁移策略是否满足用户最长时延要求及底层物理资源限制条件；
S35：如果不满足当前所述的VNF迁移策略，则重复上述选择最优行为的步骤；如果当前所述的VNF迁移策略满足约束条件，则将所述VNF迁移策略通知给每个VNF及底层物理通用服务器；
S36：经过数次迭代，判断是否满足收敛条件；如果不满足收敛条件，则观察下一时隙状态xt+1，重复上述步骤；
S37：按照所述VNF迁移策略，SFC上的每个VNF迁移至指定的底层通用服务器，空闲的底层通用服务器休眠，更新所述网络拓扑状态；等待下一个调度时隙。
本发明的有益效果在于：本发明在每个离散资源调度时隙上，系统根据当前时隙的网络拓扑状态，VNF CPU资源需求以及虚拟链路的带宽资源需求进行VNF迁移，并关闭空闲的底层通用服务器，在保证用户QoS和底层物理资源约束的前提下，实现了网络能耗与SFC端到端时延的联合优化，并提高了底层通用服务器的资源利用率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为基于NFV/SDN架构场景示意图；
图2为本发明虚拟网络功能迁移优化算法流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
参见图1，图1为本发明的基于NFV/SDN架构场景示意图。
底层物理网络由全连接无向图GP＝(NP,EP)组成，其中
Figure BDA0002347732490000041
Figure BDA0002347732490000042
表示底层物理服务器处于关闭状态的集合，
Figure BDA0002347732490000043
表示底层物理服务器处于工作状态的集合，EP表示底层链路集合。每个底层物理服务器n∈NP的CPU容量为Cn，连接相邻底层物理服务器n和m的链路nm的带宽为Bnm。
Figure BDA0002347732490000044
为二进制变量，
Figure BDA0002347732490000045
表示服务器n处于工作状态，
Figure BDA0002347732490000046
表示服务器n处于关闭状态。
网络中SFC的集合为F，将第i条SFC形式化为有向图
Figure BDA0002347732490000047
Figure BDA0002347732490000048
表示第i条SFC上的不同类型VNF的集合，
Figure BDA0002347732490000049
表示i条SFC上的虚拟链路集合，第i条SFC上的第j个VNF表示为
Figure BDA00023477324900000410
且它的CPU资源需求为
Figure BDA00023477324900000411
连接相邻VNF的虚拟链路带宽需求为
Figure BDA00023477324900000412
第i条SFC的最长时延限制为Di。接下来定义两个布尔变量
Figure BDA00023477324900000413
当第i条SFC上的第j个VNF映射到服务器m时，
Figure BDA00023477324900000414
否则
Figure BDA00023477324900000415
表示第i条SFC上连接VNFj和k的虚拟链路映射到物理链路mn上，反之
Figure BDA00023477324900000416
本方案在计算SFC端到端时延的时候，因为传播时延的值可以忽略不计，所以主要考虑处理时延和传输时延。
在t时隙，SFC的处理时延受物理服务器的负载
Figure BDA00023477324900000417
影响，负载
Figure BDA00023477324900000418
表示为：
Figure BDA00023477324900000419
当映射到服务器上的VNF资源需求增加，将导致服务器的CPU负载增大，进而SFC的处理时延也将增大。假设处理时延是处理负载的凸函数，使用分段线性化来近似凸时延曲线。所以底层物理服务器的处理时延可以表示为：
Figure BDA0002347732490000051
其中，εi和χi表示近似凸时延函数曲线的线性函数的系数。
SFC的传输时延跟SFC上的虚拟链路映射到物理链路的位置有关，假设每跳虚拟链路映射到物理链路的时延为djk，第i条SFC传输时延为：
Figure BDA0002347732490000052
因此，第i条SFC的端到端时延可以表示为：
Figure BDA0002347732490000053
网络能耗模型：
本方案的网络能耗主要考虑底层物理服务器的能耗。服务器正常运行时的能耗分为待机时的能耗和CPU负载产生的能耗，因此服务器m在t时隙的待机能耗和CPU能耗，分别表示为：
Figure BDA0002347732490000054
Figure BDA0002347732490000055
其中，Pidle表示服务器待机时产生的能耗，
Figure BDA0002347732490000056
为服务器m中CPU资源全部占用时所产生的能耗。
当有VNF映射到服务器m时，服务器m处于工作状态，否则，服务器m休眠，即：
Figure BDA0002347732490000057
则
Figure BDA0002347732490000058
否则
Figure BDA0002347732490000059
另外，基站切换工作状态时会有能量消耗。本方案假设服务器工作状态发生变化时会产生能耗
Figure BDA00023477324900000510
服务器m在t时隙产生的切换能耗为：
Figure BDA00023477324900000511
其中ηm(t)表示服务器nm在t时隙状态是否发生了改变，即：
Figure BDA00023477324900000512
因此网络能耗可以表示为：
Figure BDA0002347732490000061
参见图2，图2为本发明在每个离散时隙上的VNF迁移优化算法流程图，步骤如下：
步骤1)：令t＝0。初始化系统参数，其中所述系统参数包括折扣因子γ、最大迭代次数Tmax以及神经网络权重值等。进一步地，初始化系统状态x0，即随机初始化网络拓扑，VNF CPU资源需求以及虚拟带宽资源需求。
步骤2)：在每个调度时隙开始时，收集当前时隙的状态xt，即各所述网络拓扑状态信息、VNF CPU资源需求信息以及虚拟带宽资源需求信息；
步骤3)：根据下式选择最优VNF迁移行为：
Figure BDA0002347732490000062
其中所述A为：行动空间，即VNF映射二进制变量；
其中所述γ为：折扣因子；
其中所述Qπ(xt+1,at+1)为：下一时隙的行为值函数；
其中所述rt为：时隙t时的即时回报函数，表示为：
Figure BDA0002347732490000063
其中所述Ptotal(t)为网络总能耗；
其中所述Pmax为网络能耗最大值；
其中所述delayi(t)为第i条SFC的时延；
其中所述Di为第i条SFC的最长时延要求；
其中所述a1与a2为加权值，满足a1+a2＝1；
步骤4)：给定所述VNF映射变量，判断当前所述的VNF迁移策略是否满足用户最长时延要求及底层物理资源限制条件；如果不满足当前所述的VNF迁移策略，则转到步骤3)；如果当前所述的VNF迁移策略满足约束条件，则执行步骤5)；
步骤5)：按照所述VNF迁移策略，SFC上的每个VNF迁移至指定的底层通用服务器，空闲的底层通用服务器休眠，并根据决策更新状态xt+1；
步骤6)：经过数次迭代，判断是否满足收敛条件。如果没有满足收敛条件，转到步骤2)；如果满足收敛条件，则执行步骤7)；
步骤7)：判断算法迭代次数是否达到最大迭代次数Tmax，若不满足，则令t＝t+1，并跳转到步骤1)继续执行，否则算法结束。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：该算法具体包括以下步骤：
S1：在NFV/SDN架构下，考虑SFC资源需求动态变化，在保证底层物理资源和用户QoS需求的前提下，通过VNF迁移，并确定底层每个通用物理服务器的工作状态，实现网络能耗与SFC端到端时延的联合优化；
S2：针对状态空间和动作空间是连续值集合，采用基于深度确定性策略梯度的VNF智能迁移算法，从而得到近似最优的VNF迁移策略；
S3：在每个离散的时隙上，根据底层通用服务器工作状态、VNF的CPU资源需求以及虚拟链路的带宽资源需求，将VNF迁移至合适的目的服务器上。
2.根据权利要求1所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：所述NFV/SDN架构包含三层：应用层主要为网络业务请求创建SFC，通过SFC为用户提供服务；虚拟化层主要负责网络状态监控和底层网络负载分析；物理层为SFC提供其实例化的物理资源，物理网络主要是由通用物理服务器组成；
所述VNF迁移为选择待迁移的VNF和迁移目的节点选取；
所述通用物理服务器的工作状态是指底层物理服务器正常工作和休眠两种状态。
3.根据权利要求1所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：在步骤S1中，所述考虑SFC资源需求动态变化，其中SFC资源需求为VNF的CPU资源需求和虚拟链路带宽资源需求。
4.根据权利要求1所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：在步骤S1中，所述保证底层物理资源和用户QoS需求，其中所述底层物理资源是指通用物理服务器的CPU资源和链路带宽资源，所述用户QoS需求是指用户时延不能超过最高用户时延要求。
5.根据权利要求1所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：在步骤S1中，所述的网络能耗为：服务器待机时的能量消耗，服务器CPU负载时的能量消耗以及服务器工作状态切换时的能量消耗；所述的SFC端到端时延是指：SFC上的VNF的处理时延和虚拟链路的传输时延。
6.根据权利要求1所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：在步骤S2中，所述状态空间为：网络拓扑状态，VNF CPU资源需求和虚拟链路带宽资源需求；所述动作空间是指VNF映射变量。
7.根据权利要求5所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：所述的服务器工作状态切换时的能量消耗具体为：上一个时隙与当前时隙服务器的状态发生改变时产生的切换能量；所述SFC上的VNF处理时延是与底层物理通用服务器负载成正比，该底层物理通用服务器负载是指映射到该服务器上的VNF CPU资源之和与该服务器总的CPU资源的比值；所述虚拟链路的传输时延是指流通过每条虚拟链路需要的时间。
8.根据权利要求6所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：所述网络拓扑状态为底层通用服务器的工作状态，即服务器正常工作状态与休眠状态；所述VNF映射变量为一个VNF选择一个服务器进行映射的二进制变量。
9.根据权利要求1所述的一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法，其特征在于：在步骤S3中，在每个离散的时隙上，根据所述网络拓扑状态、VNF资源需求状态以及虚拟链路带宽资源需求状态将VNF迁移至合适的目的主机上，并关闭相应的底层通用服务器，实现网络能耗与SFC端到端时延的联合优化，具体步骤如下：
S31：初始化各参数以及系统状态；
S32：在每个调度时隙开始时，收集当前时隙的状态，即各所述的网络拓扑状态信息、VNF CPU资源需求信息以及虚拟带宽资源需求信息；
S33：根据下式分配最优的VNF迁移动作：
Figure FDA0002347732480000021
其中所述A为：行动空间，即VNF映射二进制变量；
其中所述γ为：折扣因子；
其中所述Qπ(xt+1,at+1)为：下一时隙的行为值函数；
其中所述rt为：时隙t时的即时回报函数，表示为：
Figure FDA0002347732480000022
其中所述Ptotal(t)为网络总能耗；
其中所述Pmax为网络能耗最大值；
其中所述delayi(t)为第i条SFC的时延；
其中所述Di为第i条SFC的最长时延要求；
其中所述a1与a2为加权值，满足a1+a2＝1；
S34：给定所述VNF映射变量，判断当前所述的VNF迁移策略是否满足用户最长时延要求及底层物理资源限制条件；
S35：如果不满足当前所述的VNF迁移策略，则重复上述选择最优行为的步骤；如果当前所述的VNF迁移策略满足约束条件，则将所述VNF迁移策略通知给每个VNF及底层物理通用服务器；
S36：经过数次迭代，判断是否满足收敛条件；如果不满足收敛条件，则观察下一时隙状态xt+1，重复上述步骤；
S37：按照所述VNF迁移策略，SFC上的每个VNF迁移至指定的底层通用服务器，空闲的底层通用服务器休眠，更新所述网络拓扑状态；等待下一个调度时隙。
CN201911402655.0A 2019-12-30 2019-12-30 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法 Active CN111130904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911402655.0A CN111130904B (zh) 2019-12-30 2019-12-30 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911402655.0A CN111130904B (zh) 2019-12-30 2019-12-30 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法

Publications (2)

Publication Number Publication Date
CN111130904A true CN111130904A (zh) 2020-05-08
CN111130904B CN111130904B (zh) 2022-03-29

Family

ID=70505788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911402655.0A Active CN111130904B (zh) 2019-12-30 2019-12-30 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法

Country Status (1)

Country Link
CN (1) CN111130904B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111698703A (zh) * 2020-05-25 2020-09-22 国网河北省电力有限公司石家庄供电分公司 基于业务优先级和负载均衡的网络可靠性优化方法
CN112087329A (zh) * 2020-08-27 2020-12-15 重庆大学 一种网络服务功能链部署方法
CN112737854A (zh) * 2020-12-30 2021-04-30 国网河南省电力公司信息通信公司 一种基于能耗和服务质量的服务链迁移方法及装置
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
CN113163018A (zh) * 2021-01-15 2021-07-23 郑州轻工业大学 时延、资源和能耗感知的虚拟网络在线迁移方法和装置
CN113193999A (zh) * 2021-04-29 2021-07-30 东北大学 一种基于深度确定性策略梯度的虚拟网络映射方法
CN113347016A (zh) * 2021-03-10 2021-09-03 福州大学 基于资源占用和时延敏感的虚拟化网络功能迁移方法
CN113490254A (zh) * 2021-08-11 2021-10-08 重庆邮电大学 一种基于联邦学习双向gru资源需求预测的vnf迁移方法
CN114172937A (zh) * 2022-01-19 2022-03-11 重庆邮电大学 基于深度强化学习的动态服务功能链编排方法及系统
CN114374608A (zh) * 2020-10-15 2022-04-19 中国移动通信集团浙江有限公司 切片实例备份任务调度方法、装置和电子设备
CN114900522A (zh) * 2022-05-11 2022-08-12 重庆大学 一种基于蒙特卡洛树搜索的服务功能链迁移方法
CN115514646A (zh) * 2022-10-10 2022-12-23 广东工业大学 一种基于流量分析的网络切片配置方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018180773A (ja) * 2017-04-07 2018-11-15 富士通株式会社 管理装置及び管理方法
CN109062668A (zh) * 2018-08-01 2018-12-21 重庆邮电大学 一种基于5g接入网络的多优先级的虚拟网络功能迁移方法
CN109155742A (zh) * 2016-03-24 2019-01-04 阿尔卡特朗讯 用于虚拟网络功能的迁移的方法
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
CN110505099A (zh) * 2019-08-28 2019-11-26 重庆邮电大学 一种基于迁移a-c学习的服务功能链部署方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109155742A (zh) * 2016-03-24 2019-01-04 阿尔卡特朗讯 用于虚拟网络功能的迁移的方法
US20190089814A1 (en) * 2016-03-24 2019-03-21 Alcatel Lucent Method for migration of virtual network function
JP2018180773A (ja) * 2017-04-07 2018-11-15 富士通株式会社 管理装置及び管理方法
CN109062668A (zh) * 2018-08-01 2018-12-21 重庆邮电大学 一种基于5g接入网络的多优先级的虚拟网络功能迁移方法
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
CN110505099A (zh) * 2019-08-28 2019-11-26 重庆邮电大学 一种基于迁移a-c学习的服务功能链部署方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUE BAI, HANCHENG LU, YUJIAO LU: ""Learning Framework for Virtual Network Function Instance Migration"", 《2018 10TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
唐伦;赵培培;赵国繁;陈前斌: ""基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法"", 《电子与信息学报》 *
陈敏，李勇: "《软件定义5G网络 面向智能服务5G移动网络关键技术探索》", 31 December 2016 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111698703B (zh) * 2020-05-25 2024-02-20 国网河北省电力有限公司石家庄供电分公司 基于业务优先级和负载均衡的网络可靠性优化方法
CN111698703A (zh) * 2020-05-25 2020-09-22 国网河北省电力有限公司石家庄供电分公司 基于业务优先级和负载均衡的网络可靠性优化方法
CN112087329B (zh) * 2020-08-27 2022-06-07 重庆大学 一种网络服务功能链部署方法
CN112087329A (zh) * 2020-08-27 2020-12-15 重庆大学 一种网络服务功能链部署方法
CN114374608B (zh) * 2020-10-15 2023-08-15 中国移动通信集团浙江有限公司 切片实例备份任务调度方法、装置和电子设备
CN114374608A (zh) * 2020-10-15 2022-04-19 中国移动通信集团浙江有限公司 切片实例备份任务调度方法、装置和电子设备
CN112737854A (zh) * 2020-12-30 2021-04-30 国网河南省电力公司信息通信公司 一种基于能耗和服务质量的服务链迁移方法及装置
CN112737854B (zh) * 2020-12-30 2023-06-09 国网河南省电力公司信息通信公司 一种基于能耗和服务质量的服务链迁移方法及装置
CN113163018A (zh) * 2021-01-15 2021-07-23 郑州轻工业大学 时延、资源和能耗感知的虚拟网络在线迁移方法和装置
CN113163018B (zh) * 2021-01-15 2021-12-21 郑州轻工业大学 时延、资源和能耗感知的虚拟网络在线迁移方法和装置
CN113347016B (zh) * 2021-03-10 2022-10-04 福州大学 基于资源占用和时延敏感的虚拟化网络功能迁移方法
CN113347016A (zh) * 2021-03-10 2021-09-03 福州大学 基于资源占用和时延敏感的虚拟化网络功能迁移方法
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
CN113193999B (zh) * 2021-04-29 2023-12-26 东北大学 一种基于深度确定性策略梯度的虚拟网络映射方法
CN113193999A (zh) * 2021-04-29 2021-07-30 东北大学 一种基于深度确定性策略梯度的虚拟网络映射方法
CN113490254B (zh) * 2021-08-11 2022-03-29 重庆邮电大学 一种基于联邦学习双向gru资源需求预测的vnf迁移方法
CN113490254A (zh) * 2021-08-11 2021-10-08 重庆邮电大学 一种基于联邦学习双向gru资源需求预测的vnf迁移方法
CN114172937A (zh) * 2022-01-19 2022-03-11 重庆邮电大学 基于深度强化学习的动态服务功能链编排方法及系统
CN114172937B (zh) * 2022-01-19 2023-12-29 广州市宝思信息科技有限公司 基于深度强化学习的动态服务功能链编排方法及系统
CN114900522A (zh) * 2022-05-11 2022-08-12 重庆大学 一种基于蒙特卡洛树搜索的服务功能链迁移方法
CN114900522B (zh) * 2022-05-11 2024-03-12 重庆大学 一种基于蒙特卡洛树搜索的服务功能链迁移方法
CN115514646A (zh) * 2022-10-10 2022-12-23 广东工业大学 一种基于流量分析的网络切片配置方法及相关装置

Also Published As

Publication number Publication date
CN111130904B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111130904B (zh) 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法
Gai et al. Reinforcement learning-based content-centric services in mobile sensing
CN111953758B (zh) 一种边缘网络计算卸载和任务迁移方法及装置
CN111953759A (zh) 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN104572307B (zh) 一种对虚拟资源进行弹性调度的方法
CN111475252B (zh) 一种基于深度强化学习的虚拟网络功能部署优化方法
CN109167671A (zh) 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法
CN109062668B (zh) 一种基于5g接入网络的多优先级的虚拟网络功能迁移方法
CN106775949B (zh) 感知复合应用特征与网络带宽的虚拟机在线迁移优化方法
CN108923979B (zh) 软件定义网络虚拟网络映射方法
CN110784366A (zh) Sdn中基于immac算法的交换机迁移方法
Wang et al. An energy saving based on task migration for mobile edge computing
Mu et al. Energy-efficient and interference-aware vnf placement with deep reinforcement learning
Mahmoudi et al. SDN-DVFS: an enhanced QoS-aware load-balancing method in software defined networks
CN111510319B (zh) 一种基于状态感知的网络切片资源管理方法
CN114938372B (zh) 一种基于联邦学习的微网群请求动态迁移调度方法及装置
Zhang et al. Energy-aware scheduling in edge computing based on energy internet
Li et al. Dynamic virtual machine consolidation algorithm based on balancing energy consumption and quality of service
Zhu et al. Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT
Cheng et al. A novel task provisioning approach fusing reinforcement learning for big data
Kaur et al. Improvement of Task Offloading for Latency Sensitive Tasks in Fog Environment
Carrega et al. Energy-aware consolidation scheme for data center cloud applications
Zhong et al. CL-ADMM: A cooperative-learning-based optimization framework for resource management in MEC
CN117149351A (zh) 一种基于预测的边缘协同计算迁移方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20240130

Address after: Room A78, Building 031, No. 1076 Jungong Road, Yangpu District, Shanghai, 200000

Patentee after: Shanghai Guanmin Information Technology Co.,Ltd.

Country or region after: China

Address before: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Patentee before: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd.

Country or region before: China

Effective date of registration: 20240130

Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Patentee after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd.

Country or region after: China

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

TR01 Transfer of patent right