CN111200550B - 一种虚拟网络映射方法及装置 - Google Patents

Abstract

本发明属于网络虚拟化技术领域，具体涉及一种虚拟网络映射方法及装置。该方法首先提取待映射的虚拟网络请求的初始输入特征和对应的物理网络的初始输入特征；然后将待映射的虚拟网络请求的初始输入特征和对应的物理网络的初始输入特征输入至训练好的虚拟网络映射模型中，得到映射结果；最后根据映射结果，将待映射的虚拟网络请求映射至对应的物理网络。本发明能够较准确地捕捉到虚拟网络请求的特征，在满足虚拟网络请求需求的情况下对物理网络进行动态地管理和分配，以为虚拟网络请求的各个虚拟节点匹配到物理节点。

Description

一种虚拟网络映射方法及装置

技术领域

本发明属于网络虚拟化技术领域，具体涉及一种虚拟网络映射方法及装置。

背景技术

经过几十年的发展，互联网已经不再是单纯的连接网络，而是逐渐转变为基于内容的网络。在网络设备和网络资源日益不足的情况下，专门化的资源协议对于多样化的需求以及服务方案显得尤为重要，便需要对当前的互联网架构进行适当修改，但网络由多个提供商建设、运营和管理，这些利益相关者存在多个不同的竞争目标，使得修改变得非常困难，出现网络僵硬化问题。

为了解决网络僵硬化问题，网络虚拟化技术应运而生。网络虚拟化技术将网络服务与底层硬件解耦，使得用户能够以软件的方式定制和部署通用的网络服务，无需考虑底层物理网络设备的细节和差异，因此被视为改善网络性能、提高网络管理灵活性的关键技术。在虚拟化的网络中，存在两个关键角色：网络服务提供商和网络设备提供商。其中，前者根据自身需要或业务需求，抽象出一定的虚拟节点和虚拟链路，并将这些虚拟网络元素组合起来，向终端用户提供特定的网络功能和服务；后者掌握着物理网络资源池，并且向前者提供价格合理的物理网络资源的租用和虚拟网络的部署等服务，使得网络服务的管理变得灵活、同时也增加了物理网络资源的利用率和网络用户的经济效益。

在这种背景下，网络服务提供商和网络设备提供商之间互相协作，根据物理网络和虚拟网络请求的状态，共同求解出一个适当的策略，使得虚拟网络元素按照该策略，在满足网络资源要求的情况下，被合理地分配到特定的物理网络设备上进行部署，从而达到改善网络服务效率、网络资源利用率和虚拟网络整体性能等各项优化指标的目的。该策略的求解问题被称为虚拟网络映射问题。不同于负载均衡、虚拟机分配、虚拟专用网络提供等资源分配问题，虚拟网络映射问题需要对节点资源和链路资源同时加以考虑，这增加了该问题求解的复杂性；同时，网络环境复杂多变，服务的场景也随着用户的需求而不断变化，这对问题的建模和算法的设计都带来了很大的挑战。

目前的虚拟网络映射问题通过手动设计约束条件和特征，将虚拟网络映射问题建模为线性规划问题，并对映射策略进行求解。然而这些需要手动设计的部分通常需要较强的专业知识，为设计者带来了额外的负担；而且，线性规划问题的求解时间往往较长、效率较低，对时延敏感的虚拟网络服务产生不利的影响。这些均将使得虚拟网络映射问题的解决效果不佳。

发明内容

本发明提供了一种虚拟网络映射方法及装置，用以解决采用基于手动设计约束条件和特征将虚拟网络映射问题建模为线性规划问题时造成的虚拟网络映射问题解决效果不佳的问题。

为解决上述技术问题，本发明的技术方案包括：

本发明的一种虚拟网络映射方法，包括如下步骤：

1)提取待映射的虚拟网络请求的初始输入特征和对应的物理网络的初始输入特征；所述物理网络的初始输入特征包括各物理节点资源的最大容量和剩余容量、以及各物理链路资源的最大容量和剩余容量，所述待映射的虚拟网络请求的初始输入特征包括虚拟节点资源的需求容量、以及各虚拟链路资源的需求容量；其中，物理网络的节点为所述物理节点，物理网络的链路为所述物理链路，虚拟网络请求的节点为所述虚拟节点，虚拟网络请求的链路为所述虚拟链路；

2)将待映射的虚拟网络请求的初始输入特征和对应的物理网络的初始输入特征输入至训练好的虚拟网络映射模型中，得到映射结果；其中，所述虚拟网络映射模型包括一级模型和二级模型，所述一级模型包括用于提取物理网络特征的物理网络模型和用于提取虚拟网络请求特征的虚拟网络请求模型，所述物理网络模型的输出和虚拟网络请求模型的输出叠加后作为二级模型的输入，且所述训练好的虚拟网络映射模型利用已映射的虚拟网络请求的初始输入特征、对应的物理网络的初始输入特征、以及将已映射的虚拟网络请求映射至对应的物理网络的映射结果作为样本训练得到。

3)根据映射结果，将待映射的虚拟网络请求映射至对应的物理网络。

上述技术方案的有益效果为：本发明利用构建的虚拟网络映射模型中的一级模型，自动提取虚拟网络请求和物理网络中对虚拟网络映射问题有作用的特征，从而利用已映射的虚拟网络请求和对应的物理网络便可自动学习得到如何将虚拟网络请求映射至物理网络，能够较准确地捕捉到虚拟网络请求的特征，在满足虚拟网络请求需求的情况下对物理网络进行动态地管理和分配，以为虚拟网络请求的各个虚拟节点匹配到物理节点，最终达到优化网络各项性能指标的目的。

作为方法的进一步改进，为了准确刻画物理网络，步骤1)中，所述物理网络的初始输入特征还包括物理网络的特殊参数，所述物理网络的特殊参数包括以下至少一种：物理网络的拓扑特征、各物理节点的可靠性、各物理链路的可靠性、各物理链路的传输时延和各物理链路的丢包率。

作为方法的进一步改进，为了准确刻画虚拟网络请求，步骤1)中，所述待映射的虚拟网络请求的初始输入特征还包括虚拟节点的数量变化特征。

作为方法的进一步改进，步骤1)中，所述待映射的虚拟网络请求的初始输入特征还包括虚拟网络请求的特殊约束，所述虚拟网络请求的特殊约束包括以下至少一种：虚拟节点需部署在特定的物理节点上、各虚拟链路的传输时延要求和各虚拟链路的可靠性要求。

作为方法的进一步改进，步骤1)中，所述物理网络模型为图卷积神经网络模型。采用图卷积神经网络模型，在随机网络拓扑上的空调间特征提取能力更强，能够更为充分地利用网络拓扑的空间信息，为优化虚拟网络映射方法提供了坚实的基础。

作为方法的进一步改进，步骤1)中，所述虚拟网络请求模型为全连接神经网络模型。

作为方法的进一步改进，步骤1)中，所述二级模型为全连接神经网络模型。

作为方法的进一步改进，所述图卷积神经网络使用的激活函数为sigmoid函数或ReLU函数。

作为方法的进一步改进，所述图卷积神经网络模型采用拉普拉斯矩阵进行物理网络特征的提取，所述拉普拉斯矩阵为L＝D^-1/2(D-A)D^-1/2，式中，D为各物理节点的度构成的矩阵，A为各物理节点之间的连接关系构成的矩阵。

本发明还提供了一种虚拟网络映射装置，该装置包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现上述介绍的虚拟网络映射方法，且能达到与该方法相同的效果。

附图说明

图1是本发明的方法实施例的虚拟网络映射方法的流程框图；

图2-1是本发明的方法实施例中待映射的虚拟网络请求1的拓扑图；

图2-2是本发明的方法实施例中待映射的虚拟网络请求2的拓扑图；

图3是本发明的方法实施例中物理网络的拓扑图。

具体实施方式

方法实施例：

该实施例提供了一种虚拟网络映射方法，以解决虚拟网络映射问题。下面结合图1，对该方法做详细说明。

步骤一，获取大量的样本，样本包括已映射的虚拟网络请求的初始输入特征、对应的物理网络的初始输入特征、以及将已映射的虚拟网络请求中的虚拟节点映射至物理网络中的物理节点的映射结果。这些样本可为过往的通过手动映射方法来得到的正确的映射结果，也可为通过其他现有方法得到正确的映射结果。下面为了方便描述，将物理网络的节点称为物理节点，将物理网络的链路称为物理链路，虚拟网络请求的节点称为虚拟节点，虚拟网络请求的链路称为虚拟链路。

物理网络的初始输入特征用于表征物理网络的状态，包括物理网络的整体拓扑(即整个物理节点和物理链路的布局及互联情况)、各物理节点资源(包括每个物理节点的CPU个数、内存容量和磁盘容量等)的最大容量及剩余容量的情况、各物理链路资源(包括链路带宽)的最大容量及剩余容量的情况、以及与网络服务质量相关的特殊参数(包括各物理节点的可靠性、各物理链路的可靠性、各物理链路的传输时延和各物理链路的丢包率等)。

虚拟网络请求的初始输入特征用于表征虚拟网络请求的状态，包括虚拟网络请求的整体拓扑、虚拟节点的最大容量及剩余容量的情况、各虚拟链路资源的最大容量及剩余容量的情况、虚拟网络请求的特殊约束(包括虚拟节点需部署在特定的物理节点上、各虚拟链路的传输时延要求和各虚拟链路的可靠性要求等)、虚拟网络请求待处理的虚拟节点个数。

在实际处理时，这些初始输入特征需处理为归一化的数值，以方便处理，为接下来的工作做好准备。其中，具体的字段名称、含义以及取值范围如下：

1)S_NodeRes_Max：每个物理节点资源总数，可能有多类，例如CPU资源，表示每个物理节点所有的CPU处理器个数或CPU处理器核心数，可表示为S_CPU_Max，以S_NodeRes_Max的最大值为标准归一化到(0,1)之间；

2)S_LinkRes_Max：每个物理节点的链路资源总数，可能有多类，例如带宽资源，可定义为一个物理节点的带宽为所有与该物理节点直接连接的链路带宽的综合，可表示为S_BW_Max，以S_LinkRes_Max的最大值为标准归一化到(0,1)之间；

3)S_NodeRes_Free：物理节点上当前可用的空闲资源总数，和S_NodeRes_Max的各个种类一一对应，与S_CPU_Max对应的为S_CPU_Free，以S_NodeRes_Max的最大值为标准归一化到(0,1)之间；

4)S_LinkRes_Free：每个物理节点的链路资源总数，和S_LinkRes_Max的各个种类一一对应，与S_CPU_Max对应的为S_CPU_Free，以S_LinkRes_Max的最大值为标准归一化到(0,1)之间；

5)Special_Param：在每个物理节点上，一些根据应用的特殊要求而定的参数，如每个物理节点的可靠性等，以最大值为标准归一化到(0,1)区间；

6)S_Current_Embedding：即当前虚拟网络请求的部分映射结果，这是一个长度与物理节点数量相同的向量，该虚拟网络映射算法每次处理一个单独的虚拟网络请求，当该请求中的某个虚拟节点被分配到一个特定的物理节点时，这个节点对应位置的值被置为1，否则置为0，这样在对下一个虚拟节点进行分配时模型能够了解当前的虚拟网络请求已经占用了哪些物理节点，从而避免在同一个虚拟网络请求中，不同虚拟节点占用同一个物理节点的情况出现；

7)V_NodeRes_Request：当前处理的虚拟节点资源量，和S_NodekRes_Max的各个种类一一对应，与S_CPU_Max对应的为V_CPU_Request，表示当前处理的虚拟节点的CPU资源量，以S_NodekRes_Max的最大值为标准归一化到(0,1)之间；

8)V_LinkRes_Request：当前处理的虚拟节点链路资源量，和S_LinkRes_Max的各个种类一一对应，与S_BW_Max对应的为V_BW_Request，表示当前处理的虚拟节点的带宽资源量，以S_LinkRes_Max的最大值为标准归一化到(0,1)之间；

9)Special_Request：每个虚拟节点上一些根据应用的特殊要求而定的请求，和Special_Param的种类一一对应，通过Special_Param的最大值为标准归一化到(0,1)区间。

10)V_Pending_Nodes：即虚拟节点的数量变化特征，具体可为当前处理的虚拟网络请求中尚未被处理的虚拟节点数量，还可为尚未被处理的虚拟节点数量与总虚拟节点数量的比值。

针对以上特征进行归一化处理时，以min-max归一化为例，对于某特征在所有节点的特征值X，将每一个节点的特征值x用以下方法进行归一化：

还需说明的是，上述各个特征，并非每一个都作为必要特征，可根据需求酌情挑选重要的特征，例如，当没有特殊需求时，可不使用Special_Param和Special_Request。

步骤二，构建虚拟网络映射模型，如图1所示，该虚拟网络映射模型包括一级模型和二级模型。一级模型包括用于提取物理网络特征的物理网络模型和用于提取虚拟网络请求特征的虚拟网络请求模型，物理网络模型的输出和虚拟网络请求模型的输出叠加后作为二级模型的输入。需说明的是，物理模型输出得到物理网络特征矩阵，虚拟网络请求模型输出得到虚拟网络特征矩阵，为了虚拟网络特征矩阵与物理网络特征矩阵在元素级上的叠加，需要进行特殊处理。例如，当物理网络有6个节点，且一级模型输入物理网络的5个初始输入特征，对应输出一个5*6的矩阵，而二级模型输入虚拟网络请求的3个初始输入特征后，对应输出一个1*3的向量，此时为了使5*6的矩阵和1*3的向量能够进行叠加，此时需要将1*3的向量通过一个(3，(5*6))的三维矩阵，以得到一个5*6的矩阵，使两者能够进行数学运算意义上的叠加。

其中，物理网络模型采用图卷积神经网络模型。其将处理过的网络状态以矩阵的形式通过一个经过特别设计、严格定义的图卷积神经网络，以运算得到一系列的高阶特征，其目的是获取物理网络中的高阶邻域空间特征。

图卷积神经网络模型基于图谱理论对拓扑图中各种性质的研究，使用图的拉普拉斯矩阵与该矩阵的正交分解来表示一个拓扑结构的空间信息。图卷积的定义首先来源于在n维空间中对傅里叶变换的定义。传统的傅里叶变换将一个函数或时域信号分解成一组相互正交的函数集合，取他们的系数作为每个分量上的强度，构成频谱；类似地，在n维空间中，一个n维向量也可以被n个相互正交的向量所表示(这组向量也被称为该n维空间的正交基)，而每个分量上的长度组合起来，就可以被定义为该n维向量在特定正交基下的频谱。而有了n维空间中频谱的定义之后，定义新形式的卷积操作也就变得可行。

假设物理网络拓扑图G有n个节点，每一个物理节点上的某一个特征组合起来可以表示为一个n维向量x。要将这个向量按照n维空间中的傅里叶变换转化为频谱，就必须找到一组合适的n维正交基。幸运的是，图G的拉普拉斯矩阵L由G的度数矩阵和邻接矩阵定义，是一个半正定矩阵。通过对拉普拉斯矩阵L进行特征分解，可以轻易地获得一组n维空间中的正交基U(即L的特征向量以列向量的方式排列)。拉普拉斯矩阵与图的拓扑结构紧密相关，其中包含了大量的与边的数量和连接情况相关的空间上的信息。从而将x与U相乘，就得到了x关于L的傅里叶变换：x'＝U^Tx；相应的，对应的傅里叶逆变换可表示为：x＝Ux'。从而根据卷积定理：两个信号的卷积的傅里叶变换和这两个信号分别做傅里叶变换后的点积相等，可以定义向量x和特定的卷积核h在图G上的卷积为：

式中，⊙表示Hadamard积，即获得向量或矩阵对应元素乘积的运算；中间对角矩阵为h的傅里叶变换写成对角阵的形式。基于该卷积定义，通过调整卷积核h的个数和每个卷积核中的参数，可以得到不同表示的高阶特征，进而帮助映射决策。

上式中的卷积核h的参数个数与物理节点个数相等，在物理网络规模较大时计算复杂度较高。通过将上式中的对角矩阵替换成

(式中Λ为拉普拉斯矩阵L的各个对应的特征值组成的对角矩阵)，则：

从而卷积核的最后输出为：

式中σ代表神经网络之中常用的激活函数，可选用sigmoid函数、ReLU函数、或者ReLU的改进函数等。当然还可采用其他技术以达到模型收敛更快、防止过拟合的目的，比如dropout，batch normalization等等神经网络常用手段。通过这种做法，将单个卷积核的参数个数降为K个(一般远小于n)，且由于拉普拉斯矩阵L结合了图的拓扑信息，具有很好的空间局部性，在处理不规则图上的虚拟网络映射问题时效果更佳。其中，α_k可通过模型训练得到。

虚拟网络请求模型采用全连接神经网络模型，该全连接神经网络模型为传统的全连接层，将其输出结果累加到图卷积神经网络模型的输出上，即累加至上边提到的output中，以得到整个虚拟网络请求和物理网络的最终高阶特征，该值为二级模型的输入。

二级模型也采用全连接神经网络模型，包括一个全连接层和softmax函数。在得到上述介绍的长度与物理节点个数相同的向量后，再经过一个全连接层，整理为一个长度与物理节点个数相同的向量，再使用softmax函数将该向量转化为一个在所有物理节点上的概率分布，代表了下一步的映射动作将要在哪个物理节点上执行的概率。softmax函数在一个特定向量v上的的运算结果为：

式中e代表自然对数，v_i代表v的第i个分量的大小。显然，经过softmax函数之后的向量，其各分量的总和为1；同时，在v中各元素之间的相对大小关系，经过softmax函数运算后也不会改变，因此是一个合法的概率分布；这样，从网络拓扑中抽取的关键空间特征最终转化为映射策略，达到了自动特征抽取的目标。

步骤三，利用步骤一获取的样本对步骤二构建的虚拟网络映射模型进行训练，从而可得到训练好的虚拟网络映射模型。在得到该训练好的虚拟网络映射模型后，便可执行步骤四，对待映射的虚拟网络请求和对应的物理网络进行处理，以为待映射的虚拟网络请求中的各个虚拟节点分配物理网络中的物理节点。

步骤四，针对待映射的虚拟网络请求以及对应的物理网络，分别提取其初始输入特征，并将待映射的虚拟网络请求的初始输入特征输入至虚拟网络请求，将物理网络的初始输入特征输入至物理网络，经过训练好的虚拟网络映射模型的处理，便可得到映射结果。根据映射结果，将待映射的虚拟网络请求映射至对应的物理网络。

其中，该映射结果可为映射策略。由于物理节点较多，供虚拟节点的可选择物理节点一般不止一个，故这里的映射策略展示的为满足虚拟节点需求的都有哪些物理节点。

而且，在该虚拟网络映射模型进行处理时，可先处理待映射的虚拟网络请求的其中一个待映射的虚拟节点作为第一个虚拟节点，分别提取物理网络的初始输入特征和该第一个虚拟节点的初始输入特征，并输入至训练好的虚拟网络映射模型，便可得到该第一个虚拟节点的映射策略，并从中挑选出最佳映射策略以将该第一个虚拟节点映射至对应的物理节点上，至此便完成一个虚拟节点的映射，接着处理第二个虚拟节点。由于处理完第一个虚拟节点之后，物理网络发生了变化，此时再提取变化后的物理网络的初始输入特征以及第二个虚拟节点的初始输入特征，并输入至训练好的虚拟网络映射模型，便可得到该第二个虚拟节点的映射策略，并从中挑选出最佳映射策略以将该第二个虚拟节点映射至对应的物理节点上，至此便完成第二个虚拟节点的映射。不停重复该步骤，以将该待映射的虚拟网络请求的所有虚拟节点均处理完毕。当然，若有多个待映射的虚拟网络请求时，也按照该步骤，一个一个的处理虚拟网络请求，处理一个虚拟网络请求时，一个虚拟节点一个虚拟节点的输入。而且，每处理完一个虚拟节点，物理网络的各个变量也会随之调整，调整后再输入下一个虚拟节点，以满足多个虚拟网络请求的需求，为其分配不同的物理节点。

其中，物理网络的各种数据可通过基于SDN的网络集中控制器、基于网络测量技术的多种开源软件以及基于Openstack基础设施服务平台中的相关组件等多种方式获取，并通过在线监控机制进行实时探测与更新。

下面结合一个具体的实例来说明该方法。其中，涉及两个虚拟网络请求，分别为如图2-1所示的待映射的虚拟网络请求1以及图2-2所示的待映射的虚拟网络请求2，提供的物理网络如图3所示。图中数字均为单位资源，标注在节点内的数字表示该节点的CPU资源最大值或请求，标注在链路上的数字为该条链路带宽的最大值或请求。

待映射的虚拟网络请求的映射要求为：1)满足图2-1、图2-2中所标定的各个待映射的虚拟节点CPU与链路带宽的资源要求；2)同一个待映射的虚拟网络请求中，任意两个待映射的虚拟节点不能映射到同一个物理节点上。

步骤一，获取大量的样本，样本包括已映射的虚拟网络请求的初始输入特征、物理网络的初始输入特征、以及将已映射的虚拟网络请求中的虚拟节点映射至物理网络中的物理节点的映射结果。物理网络的初始输入特征包括CPU的最大值S_CPU_Max、CPU的剩余值S_CPU_Free、链路带宽的最大值S_BW_Max、链路带宽的剩余值S_BW_Free和当前虚拟网络请求的部分映射结果S_Current_Embedding；已映射的虚拟网络请求的初始输入特征包括CPU的需求值V_CPU_Request、链路带宽的需求值V_BW_Request和剩下的待处理的虚拟节点个数V_Pending_Nodes。

步骤二，按照图1的结构构建虚拟网络映射模型，该网络模型包括一级模型和二级模型。一级模型包括用于提取物理网络特征的物理网络模型和用于提取虚拟网络请求特征的虚拟网络请求模型，物理网络模型的输出和虚拟网络请求模型的输出叠加后作为二级模型的输入。

步骤三，利用样本对构建的虚拟网络映射模型进行训练，得到训练好的虚拟网络映射模型。

步骤四，提取如图3所示的物理网络的初始输入特征，提取如图2-1所示的待映射的虚拟网络请求1的虚拟节点a的初始输入特征，分别输入至图卷积神经网络模型和全连接神经网络模型，两个模型的输出叠加后再经过全连接神经网络模型，以得到虚拟节点a在所有物理节点上的概率分布，即下一步的映射动作将要在哪个物理节点上执行的概率。

具体的：

1、按照上述定义的归一化方式，在每一个物理节点上的CPU和链路带宽资源的最大值分别表示为：S_CPU_Max和S_BW_MAX，其剩余值则对应分别表示为S_CPU_Free和S_BW_Free(各个分量按物理节点A-F排列；其中一个节点的带宽定义为：所有与该节点直接连接的链路的带宽的总和)：

S_CPU_Max:(0.6,0.8,0.4,0.8,0.8,1.0)

S_BW_Max:(0.385,1.0,0.462,0.538,0.846,0.615)

S_CPU_Free:(0.6,0.8,0.4,0.8,0.8,1.0)

S_BW_Free:(0.385,1.0,0.462,0.538,0.846,0.615)

S_Current_Embedding:(0,0,0,0,0,0)

待映射的虚拟网络请求1的资源要求可表示为(各个分量按照虚拟节点a-c排列顺序依次进行映射)：

V_CPU_Request:(0.4,0.2,0.3)

V_BW_Request:(0.423,0.385,0.346)

V_Pending_Nodes:(1,2/3,1/3)

而且，由于是一个一个节点进行映射的，所以实际上作为输入进入神经网络时的向量应该是以一个点的各个特征作为向量的，比如(V_CPU_Request[1],V_BW_Request[1],V_Pending_Nodes[1])，对于第一个点来说，V_Pending_Nodes[1]即是1，所以第一个点，点a的向量为V_CPU_Request、V_BW_Request、V_Pending_Nodes的第一个值，即(0.4,0.423,1)。

2、将上述物理网络的初始输入特征输入至图卷积神经网络，以得到其高阶特征。图卷积神经网络进行特征提取时需要使用拉普拉斯矩阵L＝D^-1/2(D-A)D^-1/2，式中，D为各物理节点的度构成的矩阵，物理节点的度为物理节点引出的链路的个数，A为各物理节点之间的连接关系构成的矩阵。

如图3所示，具体的：

G为(按A-F排列)：D＝(2,4,2,2,3,3)，而邻接矩阵(从左到右、从上到下依次为A-F，如两个节点有链路连接则对应元素值为1，否则为0)为：

从而图G的拉普拉斯矩阵为：

该矩阵(及其k次幂)同对应的系数α_k一起，作为一个特定的卷积核，提供一种高阶特征。通过对系数α_k的调整，可以得到更加适合虚拟网络映射问题的特征表示，更有利于该问题的解决。假设k＝3，且训练后得到的系数α_k均为0.1，则S_CPU_Max在该卷积核上对应的高阶特征为：

至此，就完成了一个高阶特征的抽取，得到一个6*1的向量。针对其他的特征向量S_BW_Max、S_CPU_Free、S_BW_Free、S_Current_Embedding做同样的操作同样可以得到一些6*1的向量，将这些向量组合起来就得到一个m*6(m＝5)的矩阵，作为高阶特征，即为y_output，其中m是不同初始输入特征的数量。

3、将上述待映射的虚拟网络请求1的虚拟节点a的初始输入特征输入全连接神经网络模型，将虚拟节点a的三个初始输入特征(V_CPU_Request、V_BW_Request和V_Pending_Nodes)组成一个1*3的向量，将此向量通过一个(3，(m*6))的三维矩阵，以得到一个m*6的矩阵，将其累加到y_output。

4、将最终得到的y_output输入二级模型(即全连接神经网络模型)，以得到映射结果，该映射结果为映射策略，即虚拟节点a在所有物理节点上的概率分布，即下一步的映射动作将要在哪个物理节点上执行的概率。例如，最终得到的映射策略为(0,1/3,0,0,1/4,5/12)，即虚拟节点a映射至物理节点B、物理节点E和物理节点F上，且物理节点F的概率最高，故将虚拟节点a映射至物理节点F上。

步骤五，在处理完虚拟节点a后，在变化后的物理网络的基础上便可开始处理虚拟节点b，按照步骤四的方法继续处理，便可得到虚拟节点b的映射策略。然后继续处理虚拟节点c，最终将待映射的虚拟网络请求1的各个虚拟节点映射至物理节点上来。

步骤六，在处理完毕待映射的虚拟网络请求1后，便可开始处理如图2-2所示的映射的虚拟网络请求2，按照上述步骤四和步骤五的处理方式处理，以最终将映射的虚拟网络请求2的各个虚拟节点映射至物理节点上来。其中，映射的虚拟网络请求2的资源要求可表示为(各个分量按照虚拟节点d-f排列)：

V_CPU_Request:(0.5,0.6,1.0)

V_BW_Request:(0.192,0.077,0.115)

具体处理步骤这里不再赘述。

装置实施例：

该实施例提供了一种虚拟网络映射装置，该装置包括存储器和处理器，存储器和处理器之间直接或间接地电性连接以实现数据的传输或交互。这里的处理器可以是通用处理器，例如中央处理器CPU，也可以是其他可编程逻辑器件，例如数字信号处理器DSP，处理器用于执行存储在存储器中的指令以实现方法实施例中介绍的一种虚拟网络映射方法，由于方法实施例中已对该方法做了详细说明，这里不再赘述。

Claims (8)

1.一种虚拟网络映射方法，其特征在于，包括如下步骤：

1)提取待映射的虚拟网络请求的初始输入特征和对应的物理网络的初始输入特征；所述物理网络的初始输入特征包括各物理节点资源的最大容量和剩余容量、以及各物理链路资源的最大容量和剩余容量，所述待映射的虚拟网络请求的初始输入特征包括虚拟节点资源的需求容量、以及各虚拟链路资源的需求容量；其中，物理网络的节点为所述物理节点，物理网络的链路为所述物理链路，虚拟网络请求的节点为所述虚拟节点，虚拟网络请求的链路为所述虚拟链路；

2)将待映射的虚拟网络请求的初始输入特征和对应的物理网络的初始输入特征输入至训练好的虚拟网络映射模型中，得到映射结果；其中，所述虚拟网络映射模型包括一级模型和二级模型，所述一级模型包括用于提取物理网络特征的物理网络模型和用于提取虚拟网络请求特征的虚拟网络请求模型，所述物理网络模型的输出和虚拟网络请求模型的输出叠加后作为二级模型的输入，且所述训练好的虚拟网络映射模型利用已映射的虚拟网络请求的初始输入特征、对应的物理网络的初始输入特征、以及将已映射的虚拟网络请求映射至对应的物理网络的映射结果作为样本训练得到

3)根据映射结果，将待映射的虚拟网络请求映射至对应的物理网络；

其中，所述物理网络模型为图卷积神经网络模型，所述虚拟网络请求模型为全连接神经网络模型。

2.根据权利要求1所述的虚拟网络映射方法，其特征在于，步骤1)中，所述物理网络的初始输入特征还包括物理网络的特殊参数，所述物理网络的特殊参数包括以下至少一种：物理网络的拓扑特征、各物理节点的可靠性、各物理链路的可靠性、各物理链路的传输时延和各物理链路的丢包率。

3.根据权利要求1所述的虚拟网络映射方法，其特征在于，步骤1)中，所述待映射的虚拟网络请求的初始输入特征还包括虚拟节点的数量变化特征。

4.根据权利要求1所述的虚拟网络映射方法，其特征在于，步骤1)中，所述待映射的虚拟网络请求的初始输入特征还包括虚拟网络请求的特殊约束，所述虚拟网络请求的特殊约束包括以下至少一种：虚拟节点需部署在特定的物理节点上、各虚拟链路的传输时延要求和各虚拟链路的可靠性要求。

5.根据权利要求1～4任一项所述的虚拟网络映射方法，其特征在于，步骤1)中，所述二级模型为全连接神经网络模型。

6.根据权利要求1所述的虚拟网络映射方法，其特征在于，所述图卷积神经网络使用的激活函数为sigmoid函数或ReLU函数。

7.根据权利要求1所述的虚拟网络映射方法，其特征在于，所述图卷积神经网络模型采用拉普拉斯矩阵进行物理网络特征的提取，所述拉普拉斯矩阵为L＝D^-1/2(D-A)D^-1/2，式中，D为各物理节点的度构成的矩阵，A为各物理节点之间的连接关系构成的矩阵。

8.一种虚拟网络映射装置，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如权利要求1～7任一项所述的虚拟网络映射方法。

Images