CN111343027A - 一种基于遗传算法的网络切片部署方法和装置 - Google Patents

Abstract

本发明提供了一种基于遗传算法的网络切片部署方法和装置，涉及通信的技术领域，包括：获取网络切片部署的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于目标参数确定至少一个网络切片策略；利用遗传算法在至少一个网络切片策略中确定网络切片部署策略。该方法在进行最优解的求解过程中使用了遗传算法，由于遗传算法运行时存在突变的操作，所以不易陷入局部最优，使得能够在更大的解平面内搜索最优解，从而有效缓解了现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。

Description

一种基于遗传算法的网络切片部署方法和装置

技术领域

本发明涉及通信的技术领域，尤其是涉及一种基于遗传算法的网络切片部署方法和装置。

背景技术

网络切片(Network Slicing)指的是在同一网络基础设施上，将运营商的物理网络划分为多个逻辑独立的虚拟网络，每个虚拟网络具备不同的功能特点，可以灵活的应对不同的需求和服务，这些虚拟网络相互隔离，其中一个发生故障不会影响到其它虚拟网络。网络切片的出现已成为解决当前互联网问题的全新思路。网络切片技术将用户的不同业务需求抽象为虚拟网络请求，多个虚拟网络共享由底层物理网络提供商管理和运营的硬件资源。

现有技术中，为了提高网络切片部署的效率，提出了利用粒子群算法求解最优网络切片部署的方法，但是粒子群算法在运行过程中，容易陷入局部最优解，导致最终确定的网络切片策略不一定是最优的部署方法，也即，现有技术中的网络切片部署方法存在最优解的准确率低的技术问题。

发明内容

本发明的目的在于提供一种基于遗传算法的网络切片部署方法和装置，以缓解现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。

第一方面，实施例提供一种基于遗传算法的网络切片部署方法，其特征在于，包括：获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于所述目标参数确定至少一个网络切片策略；利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。

在可选的实施方式中，利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略，包括：获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。

在可选的实施方式中，若所述上一代种群为空，获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，包括：从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；利用算式

计算所述上一代种群中每个上一代个体的个体适应值，其中，S_j表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，x_ji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，

G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，

x_l1,x_l2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，G_l1表示底层物理节点x_l1所属的底层物理域，G_l2表示底层物理节点x_l2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。

在可选的实施方式中，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群，包括：基于所述每个上一代个体对应的个体适应值对所述上一代个体进行降序排列；利用算式

对每个上一代个体遗传到下一代的概率进行计算，其中，P_j表示第j个上一代个体遗传到下一代的概率，j取值0至J-1，J表示上一代个体的数量，第0个上一代个体的个体适应值最大；基于所述上一代种群中每个上一代个体遗传到下一代的概率确定当前种群。

在可选的实施方式中，基于预设交叉变异规则对所述当前种群中的个体进行交叉变异操作，得到进化种群，包括：将所述当前种群中的当前个体进行随机配对，得到至少一组亲代个体；判断每组亲代个体中的两个当前个体是否相同；若相同，则不进行交叉操作，并将相同的两个当前个体作为中间个体；若不相同，则控制所述亲代个体中的两个当前个体基于第一预设概率进行交叉操作，以确定中间个体；基于第二预设概率对每个中间个体进行变异，得到进化个体，并将所述进化个体组成的种群作为进化种群。

在可选的实施方式中，所述方法还包括：若连续迭代预设次数得到的所述最优个体均相同，则对所述进化种群进行重置，得到重置种群，并将所述重置种群作为所述上一代种群。

在可选的实施方式中，对所述进化种群进行重置，得到重置种群，包括：从所述至少一个网络切片策略中随机选取预设数量的网络切片策略，并生成目标种群；随机从所述目标种群中选择一个目标个体与所述进化种群中个体适应值最大的进化个体进行替换，得到重置种群。

第二方面，实施例提供一种基于遗传算法的网络切片部署装置，其特征在于，包括：获取模块，用于获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；第一确定模块，用于基于所述目标参数确定至少一个网络切片策略；第二确定模块，用于利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。

在可选的实施方式中，第二确定模块包括：获取单元，用于获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；第一确定单元，用于获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；第二确定单元，用于基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；第三确定单元，用于将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。

在可选的实施方式中，若所述上一代种群为空，获取单元具体用于：从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；利用算式

计算所述上一代种群中每个上一代个体的个体适应值，其中，S_j表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，x_ji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，

G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，

x_l1,x_l2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，G_l1表示底层物理节点x_l1所属的底层物理域，G_l2表示底层物理节点x_l2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。

现有技术中的网络切片部署方法容易陷入局部最优解，导致最终确定的网络切片策略不一定是最优的部署方法，与现有技术相比，本发明提供了一种基于遗传算法的网络切片部署方法，包括：获取网络切片部署的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于目标参数确定至少一个网络切片策略；利用遗传算法在至少一个网络切片策略中确定网络切片部署策略，该方法在进行最优解的求解过程中使用了遗传算法，由于遗传算法运行时存在突变的操作，所以不易陷入局部最优，使得能够在更大的解平面内搜索最优解，从而有效缓解了现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。

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他的附图。

图1为本发明实施例提供的一种基于遗传算法的网络切片部署方法的流程图；

图2为本发明实施例提供的一种利用遗传算法在至少一个网络切片策略中确定网络切片部署策略的流程图；

图3为本发明实施例提供的一种域视图的转换示意图；

图4为本发明实施例提供的一种正常网络下本发明方法与现有技术方法在对同一组虚拟请求网络的网络切片部署的映射代价的比较结果；

图5为本发明实施例提供的一种异常网络下本发明方法与现有技术方法在对同一组虚拟请求网络的网络切片部署的映射代价的比较结果；

图6为本发明实施例提供的一种正常网络下本发明方法与现有技术方法在对同一组虚拟请求网络的网络切片部署的执行时间的比较结果；

图7为本发明实施例提供的一种异常网络下本发明方法与现有技术方法在对同一组虚拟请求网络的网络切片部署的执行时间的比较结果；

图8为本发明实施例提供的一种基于遗传算法的网络切片部署装置的功能模块图；

图9为本发明实施例提供的一种电子设备的示意图。

图标：10-获取模块；20-第一确定模块；30-第二确定模块；40-处理器；41-存储器；42-总线；43-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

不断涌现的各类新业务和应用场景对网络功能、连接性能及安全性等方面的需求存在着很大的差别，无人机或云端游戏等类型的新兴业务，它们对时延的要求很苛刻，要求网络能在极短时间内响应；而像4k/8K视频等业务则需要高带宽，对时延没太大的要求；像赛事、演唱会等人流密集的地方则是大连接的需求。如果每种业务场景都要单独新建网络的话，这个成本是巨大的，但用同一张网络去承载不同的业务，很难同时满足高带宽、低时延、高可靠性等需求，这就出现了网络切片。网络切片技术将用户的不同业务需求抽象为虚拟网络请求，多个虚拟网络共享由底层物理网络提供商管理和运营的硬件资源，因此，如何确定出最优的网络切片部署策略，提高网络切片部署的效率成为了亟待解决的技术问题。

实施例一

本发明实施例提供了一种基于遗传算法的网络切片部署方法，如图1所示，该方法具体包括如下步骤：

步骤S12，获取网络切片部署的目标参数。

具体的，要进行网络切片部署，首先要获取到部署所需的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合，虚拟请求网络的需求参数集合具体包括：虚拟请求节点的集合，虚拟请求链路的集合，虚拟请求节点的属性集合(例如，地理位置属性，计算资源需求)以及虚拟请求链路的属性集合(例如，距离属性，带宽资源需求)，底层物理网络的供应参数集合具体包括：底层物理节点的集合，底层物理链路的集合，底层物理节点的属性集合(例如，地理位置属性，计算资源)以及底层物理链路的属性集合(例如，距离属性，带宽资源)。

步骤S14，基于目标参数确定至少一个网络切片策略。

步骤S16，利用遗传算法在至少一个网络切片策略中确定网络切片部署策略。

在获取到网络切片部署的目标参数之后，就能够根据其中的虚拟请求网络的需求参数以及底层物理网络的供应参数确定出至少一种网络切片策略，每个网络切片策略中，底层物理网络都能满足虚拟请求网络的需求，并且，虚拟请求网络在映射时，首先在底层物理网络中选择满足约束条件的可用资源进行虚拟请求节点的映射，然后在节点映射之后，选择满足约束条件的可用底层物理链路，以最短路径算法进行映射。接下来，本发明实施例利用遗传算法从上述至少一个网络切片策略中确定出最优的策略作为网络切片部署策略，遗传算法可以同时比较大量的网络切片策略，并保留这些网络切片策略的合理部分进行迭代优化，且遗传算法因存在变异的操作，因而不易陷入局部最优，能够在较大的解平面上寻找最优解。

现有技术中的网络切片部署方法容易陷入局部最优解，导致最终确定的网络切片策略不一定是最优的部署方法，与现有技术相比，本发明提供了一种基于遗传算法的网络切片部署方法，包括：获取网络切片部署的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于目标参数确定至少一个网络切片策略；利用遗传算法在至少一个网络切片策略中确定网络切片部署策略，该方法在进行最优解的求解过程中使用了遗传算法，由于遗传算法运行时存在突变的操作，所以不易陷入局部最优，使得能够在更大的解平面内搜索最优解，从而有效缓解了现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。

上文中对本发明实施例提供的基于遗传算法的网络切片部署方法进行了简单的介绍，下面对其中涉及到的具体步骤进行详细的描述。

在一个可选的实施方式中，如图2所示，上述步骤S16，利用遗传算法在至少一个网络切片策略中确定网络切片部署策略，具体包括以下步骤：

步骤S161，获取上一代种群和上一代种群中每个上一代个体对应的个体适应值。

具体的，在网络切片部署策略的确定过程中，本发明实施例采用遗传算法，遗传的过程就是迭代更新的过程，所以方法运行时，首先获取到上一代种群和上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略。

步骤S162，获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于上一代种群和每个上一代个体对应的个体适应值确定当前种群。

在本发明实施例中，当种群迭代次数达到预设迭代次数时，将终止种群继续进行迭代，因此，在获取到上一代种群后，还需要确定当前种群的迭代次数，如果当前种群迭代次数未达到预设迭代次数，则基于上一代种群和每个上一代个体对应的个体适应值确定当前种群，当前种群是由上一代种群中的部分上一代个体组成的种群。

步骤S163，基于预设交叉变异规则对当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定进化种群中的最优个体。

为了实现种群的进化，在得到当前种群后，需要按照预设交叉变异规则对当前种群中的当前个体进行交叉变异操作，进而得到进化种群，同时，对进化种群中的所有进化个体进行个体适应值的计算，确定出进化种群中的最优个体，其中，最优个体的个体适应值最大。

步骤S164，将进化种群作为上一代种群进行迭代更新。

步骤S165，若连续迭代预设次数得到的最优个体均不同，则将满足预设迭代次数的种群作为期望种群，并根据期望种群中个体适应值最大的期望个体确定网络切片部署策略。

上文中已经说明，遗传算法的执行过程是迭代更新的过程，因此，在得到进化种群后，还需要进一步的将进化种群作为上述的上一代种群进行种群的迭代更新，如果连续迭代了预设次数所得到的最优个体均不同，则说明算法未陷入局部最优解，可将满足了预设迭代次数的种群作为期望种群，期望种群中个体适应值最大的期望个体所表示的网络切片策略则是最优的网络切片部署策略，对于判断是否陷入局部最优的预设次数，本发明实施例不对其进行具体限制，用户需要根据实际情况进行适应性的设定。

步骤S166，若连续迭代预设次数得到的最优个体均相同，则对进化种群进行重置，得到重置种群，并将重置种群作为上一代种群。

在种群进行迭代更新的过程中，如果连续迭代预设次数的进化种群的最优个体都没有改变，那么可以说明，算法陷入了局部最优解，此时需要对进化种群进行重置，并将重置种群作为上一代种群，使得算法跳出局部最优解。

具体的，对进化种群进行重置，得到重置种群，包括如下步骤：

步骤S1661，从至少一个网络切片策略中随机选取预设数量的网络切片策略，并生成目标种群。

步骤S1662，随机从目标种群中选择一个目标个体与进化种群中个体适应值最大的进化个体进行替换，得到重置种群。

对进化种群进行重置，主要的思想就是仅保留进化种群中的最优个体，然后再随机选取一定数量的网络切片策略(步骤S14中确定的部分网络切片策略)，与上述最优个体组合生成重置种群，重置种群的个体数量与方法运行初始时，初始种群的数量一致。

在一个可选的实施方式中，若上一代种群为空，上述步骤S161，获取上一代种群和上一代种群中每个上一代个体对应的个体适应值，具体包括如下步骤：

步骤S1611，从至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将初始种群作为上一代种群。

上文中对遗传算法运行过程中的种群处理过程进行了介绍，但是，在方法运行之初，没有上一代种群，也即，上一代种群为空，此时，需要从步骤S14中生成的至少一个网络切片策略中选择预设数量个网络切片策略，将每一个网络切片策略看做一个初始个体，进而组成具有预设数量个初始个体的初始种群，并将其作为上一代种群执行后续的处理步骤。

步骤S1612，利用算式

计算上一代种群中每个上一代个体的个体适应值。

在得到上一代种群后，需要利用上述算式对每个上一代个体的个体适应值进行计算，其中，S_j表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，x_ji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，

G表示中心物理域，对于中心物理域的概念，请参考图3提供的一种域视图的转换示意图，图3表示3个底层物理域的域视图转换，InP#就相当于上述公式中的中心物理域G，在进行域视图转换时，物理域InP1被转换为域节点DomainNode1，物理域InP2被转换为域节点Domain Node2。在g(x_ji)的算式中，x_ji∈G就表示第j个上一代个体中虚拟请求节点i映射的底层物理节点x_ji在中心物理域G内，反之，

就表示映射在域节点上，即映射在物理域InP1或InP2内。C(i)表示虚拟请求节点i的计算资源需求。

α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，

x_l1,x_l2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，G_l1表示底层物理节点x_l1所属的底层物理域，G_l2表示底层物理节点x_l2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求，f_jl(x_l1,x_l2)是用于表征虚拟请求网络映射时是否跨域的标志，如果虚拟请求链路所映射的底层物理链路两端的底层物理节点属于同一个底层物理域，那么说明该虚拟请求链路属于域内映射，但如果底层物理链路两端的底层物理节点不属于同一个底层物理域，那么说明该虚拟请求链路属于跨域映射。

表示映射收益，

表示映射开销，S_j表征虚拟网络映射的实际收益，权重因子α用来调节映射开销在总收益中所占的比例，确保计算得出的收益不为负。

在一个可选的实施方式中，上述步骤S162中，基于上一代种群和每个上一代个体对应的个体适应值确定当前种群，具体包括以下步骤：

步骤S1621，基于每个上一代个体对应的个体适应值对上一代个体进行降序排列。

在获取到上一代种群以及上一代种群中每个上一代个体的个体适应值后，需要将所有上一代个体依据对应的个体适应值进行降序排列，也即，个体适应值最大的上一代个体，排名最靠前，个体适应值最小的上一代个体排在最后一位。

步骤S1622，利用算式

对每个上一代个体遗传到下一代的概率进行计算。

步骤S1623，基于上一代种群中每个上一代个体遗传到下一代的概率确定当前种群。

排序结束后，利用上述算式计算每个上一代个体遗传到下一代的概率，其中，P_j表示第j个上一代个体遗传到下一代的概率，j取值0至J-1，J表示上一代个体的数量，第0个上一代个体的个体适应值最大，第J-1个上一代个体的个体适应值最小。得到所有的概率之后，控制上一代个体被自然选择进入下一代按照上述概率进行，而非传统的遗传算法中直接选择亲代中表现最优的一半进入子代，自然选择完毕，得到当前种群，也即，当前种群是由上一代种群中的部分上一代个体组成的种群。

根据上述算式可知，第0个上一代个体和第1个上一代个体遗传到下一代的概率为1，也即100％，这就能够确保了这两个上一代个体能够顺利的进入下一代，保证了后续的交叉操作可以进行，并且，根据上述算式还能够求得上一代个体进入下一代的个体数量的数学期望是

约为上一代个体数量的一半，这也保证了参与后续处理步骤的个体数量。

在一个可选的实施方式中，上述步骤S163中，基于预设交叉变异规则对当前种群中的个体进行交叉变异操作，得到进化种群，具体包括如下步骤：

步骤S1631，将当前种群中的当前个体进行随机配对，得到至少一组亲代个体。

步骤S1632，判断每组亲代个体中的两个当前个体是否相同。

若相同，则执行步骤S1633，若不相同，则执行步骤S1634。

步骤S1633，不进行交叉操作，并将相同的两个当前个体作为中间个体。

步骤S1634，控制亲代个体中的两个当前个体基于第一预设概率进行交叉操作，以确定中间个体。

具体的，在得到当前种群后，还需要进一步的执行交叉和变异两步操作，进而得到进化种群，首先，令当前种群中的当前个体进行两两随机配对，得到至少一组亲代个体，然后，本发明实施例为了节省方法的执行时间，在每组亲代个体执行交叉操作之前，首先判断亲代个体中待交叉的两个当前个体是否相同，如果不相同，则不进行交叉操作，因为相同的两个个体无论怎样交叉，得到的新个体都与亲代个体相同，这样的交叉对解的优化没有任何意义，因此，直接将未进行交叉操作的两个相同的亲代个体作为中间个体，传入下一步的变异操作；如果亲代个体中待交叉的两个当前个体不相同，则控制这两个当前个体基于第一预设概率进行交叉操作，以确定中间个体，也就是说，亲代个体中的每个等位基因都有第一预设概率进行交换，本发明实施例不对第一预设概率进行具体限定，用户可以根据实际需求进行适应性设置。

步骤S1635，基于第二预设概率对每个中间个体进行变异，得到进化个体，并将进化个体组成的种群作为进化种群。

在得到中间个体后，为了防止遗传算法陷入局部最优解，将控制每个中间个体按照第二预设概率进行变异，也即，中间个体的每一位基因都有一定的概率被重新设置，被替换的基因可以从所有网络切片策略中随机选取，变异后，每个中间个体对应一个进化个体，并将进化个体组成的种群作为进化种群，本发明实施例不对第二预设概率进行具体限定，用户可以根据实际需求进行适应性设置。

跨域虚拟请求网络映射的代价可以表示为

其中，hop(l)表示虚拟请求链路l成功映射到底层物理网络所需要的底层物理链路的数量，B(l)表示虚拟请求链路l的带宽资源需求，C(i)表示虚拟请求节点i的计算资源需求，映射代价cost定义为虚拟请求网络分配的底层物理资源的大小，因此，映射代价越小说明网络切片部署策略越好。

在执行时间方面，遗传算法不仅保证了最小的映射代价，还优化了算法的执行时间，在传统的虚拟网络映射时，会把所有的映射方案全部穷举出来，使得时间过长，效率大大降低，而使用遗传算法，可筛选出最优方案，因此缩短了执行时间，大大提高了网络切片部署的效率。

发明人对本发明方法进行了验证，将本发明方法与现有技术中的方法在正常网络下对同一组虚拟请求网络的网络切片部署的映射代价进行了比较，从图4可以看出，随着虚拟请求节点数量的增加，映射代价呈现出增加的趋势，本发明方法(图中的GCMD-VNE)的平均嵌入代价大大低于PSO-VNE算法，略低于原GA-VNE算法，因此，本发明方法在映射代价上具有一定的优势。

将本发明方法与现有技术中的方法在异常网络下对同一组虚拟请求网络的网络切片部署的映射代价进行比较时，实验结果如图5所示，随着虚拟请求节点数量的增加，映射代价呈上升趋势，本发明方法的映射代价远低于PSO-VNE算法，略低于原GA-VNE算法，因此，本发明方法在异常网络环境下具有较低的映射代价和较好的性能。

将本发明方法与现有技术中的方法在正常网络下对同一组虚拟请求网络的网络切片部署的执行时间进行比较时，从图6可以看出，三种算法的执行时间均随着虚拟请求节点数目的增大而稳步增加，其中，本发明方法的执行时间最短，其次是PSO-VNE，GA-VNE最长，可以看出，与之前的遗传算法相比，本发明方法在执行时间上有了很大的改进，效果显著。

将本发明方法与现有技术中的方法在异常网络下对同一组虚拟请求网络的网络切片部署的执行时间进行比较时，如图7所示，三种算法的执行时间以及虚拟网络规模更稳定的增长，其中，本发明方法的执行时间明显短于其他两个算法。

综上所述，本发明实施例提供的基于遗传算法的网络切片部署方法把传统的跨域虚拟网络映射问题和遗传算法结合起来，并进行了优化：在自然选择阶段(生成当前种群阶段)，亲代被自然选择进入下一代是按照预设的概率公式进行的；在交叉阶段，增加了对待交叉亲代的检测，如果两亲代完全相同，则不进行交叉操作，缩短了算法的执行时间。

遗传算法与传统映射算法相比，可以同时比较相对大量的网络切片策略，并保留这些网络切片策略中相对合理的部分，进行迭代优化，缩短了算法的执行时间；与粒子群优化算法相比，遗传算法由于有突变的存在，不容易陷入局部最优，能在更大的解平面内搜索最优解。

实施例二

本发明实施例还提供了一种基于遗传算法的网络切片部署装置，该基于遗传算法的网络切片部署装置主要用于执行上述实施例一所提供的基于遗传算法的网络切片部署方法，以下对本发明实施例提供的基于遗传算法的网络切片部署装置做具体介绍。

图8是本发明实施例提供的一种基于遗传算法的网络切片部署装置的功能模块图，如图8所示，该装置主要包括：获取模块10，第一确定模块20，第二确定模块30，其中：

获取模块10，用于获取网络切片部署的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合。

第一确定模块20，用于基于目标参数确定至少一个网络切片策略。

第二确定模块30，用于利用遗传算法在至少一个网络切片策略中确定网络切片部署策略。

现有技术中的网络切片部署方法容易陷入局部最优解，导致最终确定的网络切片策略不一定是最优的部署方法，与现有技术相比，本发明提供了一种基于遗传算法的网络切片部署装置，包括：获取网络切片部署的目标参数，其中，目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；基于目标参数确定至少一个网络切片策略；利用遗传算法在至少一个网络切片策略中确定网络切片部署策略，该装置在进行最优解的求解过程中使用了遗传算法，由于遗传算法运行时存在突变的操作，所以不易陷入局部最优，使得能够在更大的解平面内搜索最优解，从而有效缓解了现有技术中的网络切片部署方法存在的最优解的准确率低的技术问题。

可选的，第二确定模块20包括：

获取单元，用于获取上一代种群和上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略。

第一确定单元，用于获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于上一代种群和每个上一代个体对应的个体适应值确定当前种群。

第二确定单元，用于基于预设交叉变异规则对当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定进化种群中的最优个体，其中，最优个体的个体适应值最大。

第三确定单元，用于将进化种群作为上一代种群进行迭代更新，若连续迭代预设次数得到的最优个体均不同，则将满足预设迭代次数的种群作为期望种群，并根据期望种群中个体适应值最大的期望个体确定网络切片部署策略。

可选的，若上一代种群为空，获取单元具体用于：

从至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将初始种群作为上一代种群。

利用算式

计算上一代种群中每个上一代个体的个体适应值，其中，S_j表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，x_ji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，

G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，

x_l1,x_l2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，G_l1表示底层物理节点x_l1所属的底层物理域，G_l2表示底层物理节点x_l2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。

可选的，第一确定单元具体用于：

基于每个上一代个体对应的个体适应值对上一代个体进行降序排列。

利用算式

对每个上一代个体遗传到下一代的概率进行计算，其中，P_j表示第j个上一代个体遗传到下一代的概率，j取值0至J-1，J表示上一代个体的数量，第0个上一代个体的个体适应值最大。

基于上一代种群中每个上一代个体遗传到下一代的概率确定当前种群。

可选的，第二确定单元具体用于：

将当前种群中的当前个体进行随机配对，得到至少一组亲代个体。

判断每组亲代个体中的两个当前个体是否相同。

若相同，则不进行交叉操作，并将相同的两个当前个体作为中间个体。

若不相同，则控制亲代个体中的两个当前个体基于第一预设概率进行交叉操作，以确定中间个体。

基于第二预设概率对每个中间个体进行变异，得到进化个体，并将进化个体组成的种群作为进化种群。

可选的，第二确定模块20还包括：

重置单元，若连续迭代预设次数得到的最优个体均相同，则对进化种群进行重置，得到重置种群，并将重置种群作为上一代种群。

可选的，重置单元具体用于：

从至少一个网络切片策略中随机选取预设数量的网络切片策略，并生成目标种群。

随机从目标种群中选择一个目标个体与进化种群中个体适应值最大的进化个体进行替换，得到重置种群。

实施例三

参见图9，本发明实施例提供了一种电子设备，该电子设备包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的一种基于遗传算法的网络切片部署方法和装置的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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各实施例技术方案的范围。

Claims (10)

1.一种基于遗传算法的网络切片部署方法，其特征在于，包括：

获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；

基于所述目标参数确定至少一个网络切片策略；

利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。

2.根据权利要求1所述的方法，其特征在于，利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略，包括：

获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；

获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；

基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；

将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。

3.根据权利要求2所述的方法，其特征在于，若所述上一代种群为空，获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，包括：

从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；

利用算式

计算所述上一代种群中每个上一代个体的个体适应值，其中，S_j表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，x_ji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，

G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，

x_l1,x_l2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，G_l1表示底层物理节点x_l1所属的底层物理域，G_l2表示底层物理节点x_l2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。

4.根据权利要求2所述的方法，其特征在于，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群，包括：

基于所述每个上一代个体对应的个体适应值对所述上一代个体进行降序排列；

利用算式

对每个上一代个体遗传到下一代的概率进行计算，其中，P_j表示第j个上一代个体遗传到下一代的概率，j取值0至J-1，J表示上一代个体的数量，第0个上一代个体的个体适应值最大；

基于所述上一代种群中每个上一代个体遗传到下一代的概率确定当前种群。

5.根据权利要求2所述的方法，其特征在于，基于预设交叉变异规则对所述当前种群中的个体进行交叉变异操作，得到进化种群，包括：

将所述当前种群中的当前个体进行随机配对，得到至少一组亲代个体；

判断每组亲代个体中的两个当前个体是否相同；

若相同，则不进行交叉操作，并将相同的两个当前个体作为中间个体；

若不相同，则控制所述亲代个体中的两个当前个体基于第一预设概率进行交叉操作，以确定中间个体；

基于第二预设概率对每个中间个体进行变异，得到进化个体，并将所述进化个体组成的种群作为进化种群。

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若连续迭代预设次数得到的所述最优个体均相同，则对所述进化种群进行重置，得到重置种群，并将所述重置种群作为所述上一代种群。

7.根据权利要求6所述的方法，其特征在于，对所述进化种群进行重置，得到重置种群，包括：

从所述至少一个网络切片策略中随机选取预设数量的网络切片策略，并生成目标种群；

随机从所述目标种群中选择一个目标个体与所述进化种群中个体适应值最大的进化个体进行替换，得到重置种群。

8.一种基于遗传算法的网络切片部署装置，其特征在于，包括：

获取模块，用于获取网络切片部署的目标参数，其中，所述目标参数包括：虚拟请求网络的需求参数集合和底层物理网络的供应参数集合；

第一确定模块，用于基于所述目标参数确定至少一个网络切片策略；

第二确定模块，用于利用遗传算法在所述至少一个网络切片策略中确定网络切片部署策略。

9.根据权利要求8所述的装置，其特征在于，第二确定模块包括：

获取单元，用于获取上一代种群和所述上一代种群中每个上一代个体对应的个体适应值，其中，每个上一代个体表示一种网络切片策略；

第一确定单元，用于获取当前种群迭代次数，并在当前种群迭代次数不大于预设迭代次数的情况下，基于所述上一代种群和所述每个上一代个体对应的个体适应值确定当前种群；

第二确定单元，用于基于预设交叉变异规则对所述当前种群中的当前个体进行交叉变异操作，得到进化种群，并确定所述进化种群中的最优个体，其中，所述最优个体的个体适应值最大；

第三确定单元，用于将所述进化种群作为所述上一代种群进行迭代更新，若连续迭代预设次数得到的所述最优个体均不同，则将满足所述预设迭代次数的种群作为期望种群，并根据所述期望种群中个体适应值最大的期望个体确定网络切片部署策略。

10.根据权利要求9所述的装置，其特征在于，若所述上一代种群为空，获取单元具体用于：

从所述至少一个网络切片策略中随机选取预设数量的网络切片策略并生成初始种群，以将所述初始种群作为所述上一代种群；

利用算式

计算所述上一代种群中每个上一代个体的个体适应值，其中，S_j表示第j个上一代个体的个体适应值，j取值0至J-1，J表示上一代个体的数量，i表示虚拟请求节点，I表示虚拟请求节点的数量，x_ji表示第j个上一代个体中虚拟请求节点i映射的底层物理节点，

G表示中心物理域，C(i)表示虚拟请求节点i的计算资源需求，α表示权重因子，l表示虚拟请求链路，L表示虚拟请求链路的数量，

x_l1,x_l2表示第j个上一代个体中虚拟请求链路l映射的底层物理链路两端的物理节点，G_l1表示底层物理节点x_l1所属的底层物理域，G_l2表示底层物理节点x_l2所属的底层物理域，B(l)表示虚拟请求链路l的带宽资源需求。

Images