CN111314235A - 一种基于虚拟网络功能资源需求预测的网络延时优化方法 - Google Patents
一种基于虚拟网络功能资源需求预测的网络延时优化方法 Download PDFInfo
- Publication number
- CN111314235A CN111314235A CN202010103431.6A CN202010103431A CN111314235A CN 111314235 A CN111314235 A CN 111314235A CN 202010103431 A CN202010103431 A CN 202010103431A CN 111314235 A CN111314235 A CN 111314235A
- Authority
- CN
- China
- Prior art keywords
- network
- vnf
- link
- denoted
- sfc
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004808 supercritical fluid chromatography Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000008447 perception Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5019—Ensuring fulfilment of SLA
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于虚拟网络功能资源需求预测的网络延时优化方法,所包括:利用SDN的全局感知,获取网络中SFC的信息,并提取SFC的资源需求特征;构建LSTM神经网络预测模型,预测VNFs下一时刻的资源需求;根据预测结果,判断所述网络的负载情况,并决定是否进行优化;将网络变化程度分级,并根据网络环境的不同变化程度重构SFCs,使得网络时延最小。本发明充分利用VNF弹性灵活的优点,再结合深度学习预测算法,提出一种基于虚拟网络功能资源需求预测的网络延时优化方法,本发明利用基于LSTM神经网络的预测模型预测VNF在下一时刻的资源需求,在实际流量到达之前调整VNF部署,解决滞后性问题,根据网络环境的不同变化程度重构SFCs,优化网络延时,提高用户体验。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于虚拟网络功能资源需求预测的网络延时优化方法。
背景技术
网络功能虚拟化(NFV)利用虚拟化技术为未来网络设计提供给了一种新的网络设计思路,它将网络功能的软件实现部分从底层的硬件中解耦并迁移到虚拟平台上,通过运行在通用硬件设备上的软件来实现传统网络专用硬件设备的功能,这种脱钩带来了许多好处,包括减少资本支出(CAPEX)和运营费用(OPEX)、提高服务提供的灵活性等,但在性能方面有所下降。NFV的模式下,为了给用户提供精准服务,提高网络资源利用率,引入了服务功能链(SFC)的重要概念,SFC由一组有序的虚拟网络功能(VNF)(如防火墙、深度包解析、负载平衡器等)组成,用户流按照预先定义的顺序依次经过这些VNF,完成网络服务。目前,已经有很多工作研究了SFC/VNF的部署,它们指出用软件模块实现的网络功能要在性能方面保持原有水平是一件有挑战的事情。
目前所提出的策略大多集中在离线优化的VNF部署问题上,它们假设所有的SFC请求都是恒定值。这种考虑有所缺陷,SFC的流量需求可能是随机的,流量需求的剧烈变化可能引发SFC的重构。也就是说,网络中的工作负载并非一成不变,VNF的处理时延和排队时延会随着CPU利用率和链路利用率的变化而变化,当节点或者链路的负载超出阈值时,网络的性能会下降,导致不能容忍的延时和包丢失。为了保证SFC的服务等级协议(SLA),一些研究动态地供应VNF实例,以便充分满足波动的输入流量。但是这种情况下的VNF供应存在滞后性,在复制VNF映像和启动虚拟机(VM)时,会导致VNF部署延时,不能保证SLA。
发明内容
为了解决滞后性问题,在实际流量到达之前调整VNF部署,需要采取一种预测机制,本发明先构建一个LSTM模型,输入为过去一段时间里各个VNF的资源需求,输出为下一时刻各个VNF的资源需求。然后根据预测结果,调整VNF部署,减小节点和链路的负载率,从而优化网络延时。
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明公开了一种基于虚拟网络功能资源需求预测的网络延时优化方法,所述方法包括:
步骤1,利用SDN的全局感知,获取网络中SFC的信息,并提取SFC的资源需求特征;
步骤2,构建LSTM神经网络预测模型,预测VNFs下一时刻的资源需求;
步骤3,根据预测结果,判断所述网络的负载情况,并决定是否进行优化;
步骤4,将网络变化程度分级,并根据网络环境的不同变化程度重构SFCs,使得网络时延最小。
更进一步地,所述步骤1进一步包括:将物理网络表示为一个无向图,表示为Gp=(Np,Lp),其中Np表示物理节点的集合,Lp表示物理链路的集合;每个物理节点n∈Np的CPU资源表示为物理节点m,n∈Np之间的链路lm,n∈Lp的带宽资源表示为根据需求设定它们各自的阈值,分别表示为rc、rb;将SFCs表示为一个有向图,表示为Gs=(Ns,Ls),其中Ns表示VNF节点的集合,Ls表示VNF之间虚拟链路的集合;当有T条SFC请求,集合表示为T={S1,S2,...,ST},网络中存在F种类型的VNF,集合表示为F={vnf1,vnf2,...,vnfF};每条SFC由一个或多个VNF组成,其中,第i条SFC由k个不同类型的VNF组成,将Si表示为其中oi是源点,ti是目标点,是k个VNF的集合,表示为当服务器上内存类型的硬件资源充足时,提取CPU资源作为VNF资源需求的特征,其中,将Si中vnfk所需的CPU资源表示为Ci,k,观察得到Si所需CPU资源的历史样本,表示为Qi={Ci,1,Ci,2,...,Ci,k},其中,d表示样本中时隙的个数;将Si中vnfk和vnfk+1之间的虚拟链路表示为li,k,k+1,li,k,k+1所需的带宽资源表示为Bi,k,k+1。Bi,k,k+1的公式如下所示:Bi,k,k+1=Ci,k·Lp/tproc,其中,Lp表示数据包的长度,tproc表示包处理时间。
更进一步地,所述步骤2进一步包括:通过LSTM的遗忘门、输入门和输出门对VNF输入进行迭代学习,其中,LSTM通过计算以及门控制输入和输出数据来学习门,并且通过遗忘门删除无用的数据。
更进一步地,所述步骤3进一步包括:
构建一个整数线性规划模型(ILP),公式如下所示:
其中,是一个二进制变量,当部署在节点n∈Np上时为1,否则为0。也是二进制变量,当相邻的vnfk和vnfk+1之间的虚拟链路li,k,k+1映射在物理链路lm,n∈Lp上时为1,否则为0,根据LSTM预测的结果,判断网络的负载情况,对于已经部署的SFCs,根据网络环境的变化程度选择不同级别的重构方式,对于新到的SFCs,选择合适的节点和链路进行映射。
更进一步地,所述步骤4中的所述网络环境的不同变化程度包括:当节点负载在阈值范围内,链路负载超出阈值,即λlink超出设定的阈值,但是λproc没有超出阈值,将上述目标表达式简化为以下公式:
在网络中搜寻可替代原链路的负载率最小的链路,重新路由,若搜寻不到,考虑可分离流,将流量分成多条链路路由;若存在相同负载率的可替代链路,选择跳数较小的那个。
更进一步地,所述步骤4中的所述网络环境的不同变化程度还包括:当节点负载超出阈值范围,即λproc超出设定的阈值,对整条SFC进行重构,将超出节点资源阈值的VNF迁移到别的负载率小的节点上;其中,SFC的重构成本,表示为Crecon,公式如下所示:
更进一步地,利用基于禁忌搜索的启发式算法进行优化。
本发明还公开了一种优化系统,包括:存储器、处理器及存储在所述处理器的可执行指令;所述处理器配置为经由执行所述可执行指令来执行上述的基于虚拟网络功能资源需求预测的网络延时优化方法。
本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于虚拟网络功能资源需求预测的网络延时优化方法。
本发明与现有技术相比,有益效果为:本发明充分利用VNF弹性灵活的优点,再结合深度学习预测算法,我们提出一种基于虚拟网络功能资源需求预测的网络延时优化方法,本发明利用基于LSTM神经网络的预测模型预测VNF在下一时刻的资源需求,在实际流量到达之前调整VNF部署,解决滞后性问题,根据网络环境的不同变化程度重构SFCs,优化网络延时,提高用户体验。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在图中,在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明的基于虚拟网络功能资源需求预测的网络延时优化方法的流程图;
图2是本发明的基于LSTM的预测模型的结构图。
具体实施方式
实施例一
如图1所示,本实施例提出了一种基于虚拟网络功能资源需求预测的网络延时优化方法,利用LSTM神经网络预测模型预测SFC中下一时刻的VNF的资源需求,提前调整VNF部署。
1.提取SFC资源需求特征
将物理网络表示为一个无向图,表示为Gp=(Np,Lp),其中Np表示物理节点的集合,Lp表示物理链路的集合。每个物理节点n∈Np的CPU资源表示为物理节点m,n∈Np之间的链路lm,n∈Lp的带宽资源表示为根据需求设定它们各自的阈值,分别表示为rc、rb。将SFCs表示为一个有向图,表示为Gs=(Ns,Ls),其中Ns表示VNF节点的集合,Ls表示VNF之间虚拟链路的集合。
假设有T条SFC请求,集合表示为T={S1,S2,...,ST}。假设网络中存在F种类型的VNF,集合表示为F={vnf1,vnf2,...,vnfF}。每条SFC由一个或多个VNF组成,假设第i条SFC由k个不同类型的VNF组成,将Si表示为其中oi是源点,ti是目标点,是k个VNF的集合,表示为假设服务器上内存等硬件资源充足,主要考虑CPU等计算资源,那么提取CPU资源作为VNF资源需求的特征。将Si中vnfk所需的CPU资源表示为Ci,k,通过观察得到Si所需CPU资源的历史样本,表示为Qi={Ci,1,Ci,2,...,Ci,k},其中,d表示样本中时隙的个数。将Si中vnfk和vnfk+1之间的虚拟链路表示为li,k,k+1,li,k,k+1所需的带宽资源表示为Bi,k,k+1。Bi,k,k+1的公式如下所示:
Bi,k,k+1=Ci,k·Lp/tproc
其中,Lp表示数据包的长度,tproc表示包处理时间。
2.基于LSTM神经网络的预测模型
RNN(Recurrent Neural Network)是一类用于处理序列数据的神经网络,但是RNN受限于短期记忆问题,如果一个序列足够长,那它们很难把信息从较早的时间步传输到后面的时间步,并且在反向传播过程中,RNN存在梯度消失问题。梯度是用于更新神经网络权重的值,梯度消失问题是指随着时间推移,梯度在传播时会下降,如果梯度值变得非常小,则不会继续学习。LSTM(Long short term memory)名为长短期记忆网络,是RNN循环神经网络的一个变形,它弥补了RNNs消失梯度的问题,能够学习长期依赖关系。LSTM有三个门,遗忘门、输入门和输出门。LSTM通过计算以及门控制输入和输出数据来学习门,并且通过遗忘门删除无用的数据。
为了方便起见,这里我们忽略了SFC之间丰富的关联信息,基于LSTM的预测模型如下图2所示。
3.网络延时优化
网络中的延时取决于许多因素,比如计算、网络和存储资源、服务器和链路的安装和使用能力,链路上的流量模式等等。一般认为网络延时由四个部分组成,分别是排队延时dqueue、处理延时dproc、传输延时dtx和传播延时dprop。
传播延时dprop主要依赖于物理链路的长度和信号在传输介质中的传播速度,公式如下所示:
dprop=Llink/cmedium
其中,Llink表示物理链路的长度,cmedium表示信号在传输介质中的传播速度。在数据中心网络中,信号以光速传播,因此,可以将传播延时dprop忽略不计。
传输时延表示数据包经过发送器传输到链路上的时间,取决于数据包长度和链路带宽。公式如下所示:
dtx=Lp/Bandwith
其中,Lp表示数据包的长度,Bandwith表示物理链路的带宽。
处理时延dproc表示节点处理数据包的时间,处理时延取决于所用的VNF的类型和分配给虚拟机(VM)的资源,公式如下所示:
dproc=λproc/(1-λproc)·tproc
其中,λproc表示VM的利用率,tproc表示包处理时间。
节点上的排队时延依赖于出口接口负载,公式如下所示:
dqueue=λlink/(1-λlink)·dtx
其中,λlink表示带宽的利用率。
相比于较难评估的网络资源使用信息,网络资源利用率更加好操作,使用以上定义来表示网络延时,公式如下所示:
min(dprop+dtx+dproc+dqueue)
其中传播延时dprop可以忽略不计,传输时延dtx随网络负载变化不大,因此,可以将上述公式简化,构建一个整数线性规划模型(ILP),公式如下所示:
根据LSTM预测的结果,判断网络的负载情况,对于已经部署的SFCs,根据网络环境的变化程度选择不同级别的重构方式,对于新到的SFCs,选择合适的节点和链路进行映射。注意要满足网络节点和链路的容量约束条件,一个节点上可以放好几个VM,一个VM执行一个VNF,不同节点上的VNF可以相同,但是同一个节点上的VNF必须不同。将网络环境的变化程度分为两种,第一种情况:当节点负载在阈值范围内,链路负载超出阈值,即λlink超出设定的阈值,但是λproc没有超出阈值。第二种情况:节点负载超出阈值范围,即λproc超出设定的阈值。
第一种情况下,考虑到重构成本和整体网络的稳定性,保持部署节点不动,只对超出阈值的链路进行重构。因此,将上述目标表达式简化为以下公式:
根据目标表达式,我们设计一种算法在网络中搜寻可替代原链路的负载率最小的链路,重新路由。如果搜寻不到,我们考虑可分离流,将流量分成多条链路路由,为了使网络性能更稳定,应该尽可能得少的分流。如果存在相同负载率的可替代链路,选择跳数较小的那个。
对于第二种情况的网络环境变化,我们考虑整条SFC的重构,将超出节点资源阈值的VNF迁移到别的负载率小的节点上。将这里涉及到SFC的重构成本,表示为Crecon,公式如下所示:
其中,Bi,k,k+1表示迁移vnfk的带宽需求,|lu,v|表示将vnfk从节点u迁移到v的物理链路的跳数。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (9)
1.一种基于虚拟网络功能资源需求预测的网络延时优化方法,其特征在于,所述方法包括:
步骤1,利用SDN的全局感知,获取网络中SFC的信息,并提取SFC的资源需求特征;
步骤2,构建LSTM神经网络预测模型,预测VNFs下一时刻的资源需求;
步骤3,根据预测结果,判断所述网络的负载情况,并决定是否进行优化;
步骤4,将网络变化程度分级,并根据网络环境的不同变化程度重构SFCs,使得网络时延最小。
2.如权利要求1所述的一种基于虚拟网络功能资源需求预测的网络延时优化方法,其特征在于,所述步骤1进一步包括:将物理网络表示为一个无向图,表示为Gp=(Np,Lp),其中Np表示物理节点的集合,Lp表示物理链路的集合;每个物理节点n∈Np的CPU资源表示为物理节点m,n∈Np之间的链路lm,n∈Lp的带宽资源表示为根据需求设定它们各自的阈值,分别表示为rc、rb;将SFCs表示为一个有向图,表示为Gs=(Ns,Ls),其中Ns表示VNF节点的集合,Ls表示VNF之间虚拟链路的集合;当有T条SFC请求,集合表示为T={S1,S2,...,ST},网络中存在F种类型的VNF,集合表示为F={vnf1,vnf2,...,vnfF};每条SFC由一个或多个VNF组成,其中,第i条SFC由k个不同类型的VNF组成,将Si表示为其中oi是源点,ti是目标点,是k个VNF的集合,表示为当服务器上内存类型的硬件资源充足时,提取CPU资源作为VNF资源需求的特征,其中,将Si中vnfk所需的CPU资源表示为Ci,k,观察得到Si所需CPU资源的历史样本,表示为Qi={Ci,1,Ci,2,...,Ci,k},其中,d表示样本中时隙的个数;将Si中vnfk和vnfk+1之间的虚拟链路表示为li,k,k+1,li,k,k+1所需的带宽资源表示为Bi,k,k+1。Bi,k,k+1的公式如下所示:Bi,k,k+1=Ci,k·Lp/tproc,其中,Lp表示数据包的长度,tproc表示包处理时间。
3.如权利要求2所述的一种基于虚拟网络功能资源需求预测的网络延时优化方法,其特征在于,所述步骤2进一步包括:通过LSTM的遗忘门、输入门和输出门对VNF输入进行迭代学习,其中,LSTM通过计算以及门控制输入和输出数据来学习门,并且通过遗忘门删除无用的数据。
7.如权利要求6所述的一种基于虚拟网络功能资源需求预测的网络延时优化方法,其特征在于,利用基于禁忌搜索的启发式算法进行优化。
8.一种优化系统,其特征在于,包括:存储器、处理器及存储在所述处理器的可执行指令;所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的基于虚拟网络功能资源需求预测的网络延时优化方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的基于虚拟网络功能资源需求预测的网络延时优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103431.6A CN111314235B (zh) | 2020-02-19 | 2020-02-19 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103431.6A CN111314235B (zh) | 2020-02-19 | 2020-02-19 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111314235A true CN111314235A (zh) | 2020-06-19 |
CN111314235B CN111314235B (zh) | 2023-08-11 |
Family
ID=71159953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103431.6A Active CN111314235B (zh) | 2020-02-19 | 2020-02-19 | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314235B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098707A (zh) * | 2021-03-16 | 2021-07-09 | 重庆邮电大学 | 边缘网络中一种虚拟网络功能需求预测方法 |
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 |
CN114205317A (zh) * | 2021-10-21 | 2022-03-18 | 北京邮电大学 | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 |
CN114615183A (zh) * | 2022-03-14 | 2022-06-10 | 广东技术师范大学 | 基于资源预测的路由方法、装置、计算机设备及存储介质 |
CN115225512A (zh) * | 2022-05-20 | 2022-10-21 | 广东技术师范大学 | 基于节点负载预测的多域服务链主动重构机制 |
CN116506307A (zh) * | 2023-06-21 | 2023-07-28 | 大有期货有限公司 | 全链路的网络延时情况分析系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 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方法 |
CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
US20190319868A1 (en) * | 2019-06-25 | 2019-10-17 | Intel Corporation | Link performance prediction technologies |
-
2020
- 2020-02-19 CN CN202010103431.6A patent/CN111314235B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 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方法 |
CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
US20190319868A1 (en) * | 2019-06-25 | 2019-10-17 | Intel Corporation | Link performance prediction technologies |
Non-Patent Citations (2)
Title |
---|
孙士清等: "基于在线实例配置的服务功能链部署方法", 《计算机工程》 * |
孙士清等: "基于在线实例配置的服务功能链部署方法", 《计算机工程》, 31 December 2019 (2019-12-31), pages 71 - 78 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098707A (zh) * | 2021-03-16 | 2021-07-09 | 重庆邮电大学 | 边缘网络中一种虚拟网络功能需求预测方法 |
CN113098707B (zh) * | 2021-03-16 | 2022-05-03 | 重庆邮电大学 | 边缘网络中一种虚拟网络功能需求预测方法 |
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 |
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 |
CN114205317A (zh) * | 2021-10-21 | 2022-03-18 | 北京邮电大学 | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 |
CN114615183A (zh) * | 2022-03-14 | 2022-06-10 | 广东技术师范大学 | 基于资源预测的路由方法、装置、计算机设备及存储介质 |
CN114615183B (zh) * | 2022-03-14 | 2023-09-05 | 广东技术师范大学 | 基于资源预测的路由方法、装置、计算机设备及存储介质 |
CN115225512A (zh) * | 2022-05-20 | 2022-10-21 | 广东技术师范大学 | 基于节点负载预测的多域服务链主动重构机制 |
CN115225512B (zh) * | 2022-05-20 | 2023-09-12 | 广东技术师范大学 | 基于节点负载预测的多域服务链主动重构机制 |
CN116506307A (zh) * | 2023-06-21 | 2023-07-28 | 大有期货有限公司 | 全链路的网络延时情况分析系统 |
CN116506307B (zh) * | 2023-06-21 | 2023-09-12 | 大有期货有限公司 | 全链路的网络延时情况分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111314235B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111314235B (zh) | 一种基于虚拟网络功能资源需求预测的网络延时优化方法 | |
CN113114722B (zh) | 一种基于边缘网络的虚拟网络功能迁移方法 | |
Wang et al. | Scheduling with machine-learning-based flow detection for packet-switched optical data center networks | |
US20190391897A1 (en) | Adaptive thresholds for containers | |
Baranwal et al. | QoE aware IoT application placement in fog computing using modified-topsis | |
CN112486690A (zh) | 一种适用于工业物联网的边缘计算资源分配方法 | |
Giurgiu et al. | Enabling efficient placement of virtual infrastructures in the cloud | |
Liu et al. | SFC embedding meets machine learning: Deep reinforcement learning approaches | |
Caporuscio et al. | Reinforcement learning techniques for decentralized self-adaptive service assembly | |
Bolodurina et al. | Development and research of models of organization distributed cloud computing based on the software-defined infrastructure | |
Cai et al. | SARM: service function chain active reconfiguration mechanism based on load and demand prediction | |
Abreu et al. | A rank scheduling mechanism for fog environments | |
US20210208992A1 (en) | Power efficient machine learning in cloud-backed mobile systems | |
Hadian et al. | An elastic and traffic-aware scheduler for distributed data stream processing in heterogeneous clusters | |
Abdullah et al. | A reliable, TOPSIS-based multi-criteria, and hierarchical load balancing method for computational grid | |
Bolodurina et al. | Development and research of models of organization storages based on the software-defined infrastructure | |
Carpio et al. | Engineering a QoS provider mechanism for edge computing with deep reinforcement learning | |
Taherizadeh et al. | Incremental learning from multi-level monitoring data and its application to component based software engineering | |
Namyar et al. | Solving {Max-Min} Fair Resource Allocations Quickly on Large Graphs | |
Zhou et al. | Balancing load: An adaptive traffic management scheme for microservices | |
CN115562841A (zh) | 一种云视频服务自适应资源调度系统和方法 | |
Liang et al. | Communication-Efficient Large-Scale Distributed Deep Learning: A Comprehensive Survey | |
Inoue et al. | Noise-induced VNE method for software-defined infrastructure with uncertain delay behaviors | |
CN113608830A (zh) | 基于故障预测的vnf迁移方法及装置 | |
Pretto et al. | Boosting HPC applications in the cloud through JIT traffic-aware path provisioning |
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 |