CN111510334B - 一种基于粒子群算法的vnf在线调度方法 - Google Patents
一种基于粒子群算法的vnf在线调度方法 Download PDFInfo
- Publication number
- CN111510334B CN111510334B CN202010316761.3A CN202010316761A CN111510334B CN 111510334 B CN111510334 B CN 111510334B CN 202010316761 A CN202010316761 A CN 202010316761A CN 111510334 B CN111510334 B CN 111510334B
- Authority
- CN
- China
- Prior art keywords
- network service
- particle
- network
- scheduling
- adaptive value
- 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.)
- Active
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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- 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
- H04L41/12—Discovery or management of network topologies
Abstract
本发明公开了一种基于粒子群算法的VNF在线调度方法,属于虚拟网络功能调度技术领域。该方法针对每个实时到达的网络服务首先根据基础设施的资源和约束条件来为构成网络服务的虚拟网络功能和链路进行映射,在这个过程中主要考虑时延因素的影响来确定映射方案。此外,在调度的过程中同时考虑网络服务的优先级影响,对于映射到同一个基础设施节点的虚拟网络功能支持优先级的抢占,从而可以更好的满足网络的需求。本发明可以给出合理的调度方案来确定各个网络服务中虚拟网络功能的执行时序,从而达到保障网络实时性,节约网络资源的效果。
Description
技术领域
本发明涉及虚拟网络功能调度技术领域,特别是指一种基于粒子群算法的VNF在线调度方法。
背景技术
VNF(Virtual Network Feature,虚拟网络功能)的调度是一个组合优化的问题,它需要提供映射在基础设施节点上的虚拟网络功能的具体执行情况,包括执行顺序,执行时间等。运营商为了能够保证其所提供的网络服务的服务质量,希望通过合理的调度方案来解决该问题,保证在不降低服务性能的条件下执行每个虚拟网络功能从而实现最优的网络服务执行。如果能够提供优化稳定的调度方案,对于网络资源的节约和未来网络的发展都有很重要的意义。已有的许多文献从不同角度对虚拟网络功能调度问题进行研究,尽可能提供实用有效的解决该问题的方法。
虚拟网络功能调度在实际应用中,由于链路的能力有限,网络服务中网络功能间的传输时延是不能够被忽视的,这对VNF调度的结果也会有很大的影响。一般来说,可通过启发式方法解决传输时延的VNF调度问题,但随着VNF数量的增加,算法的复杂度将呈指数增长,很难适用于大规模的网络之中。此外,匹配算法虽然能够实现稳定的VNF调度方案,但并不能保证结果达到最佳的解决方案,且时隙大小的选择对于调度结果有很大的影响,具有不确定性。
发明内容
有鉴于此,本发明提出了一种基于粒子群算法的VNF在线调度方法,该方法简单易行,算法复杂度较低,可以给出合理的调度方案来确定各个网络服务中虚拟网络功能的执行时序,从而达到保障网络实时性,节约网络资源的效果。
为了实现上述目的,本发明采用的技术方案为:
一种基于粒子群算法的VNF在线调度方法,其包括以下步骤:
(1)初始化物理网络资源和服务请求,输入网络拓扑和网络服务的相关参数,所述相关参数包括节点资源容量、拓扑链路带宽、网络服务所需的网络功能数量、网络服务数据流量、网络服务请求带宽;
(2)判断当前流程中是否有未完成处理的网络服务,若有则执行下一步,否则结束流程;
(3)判断当前时间片是否有网络服务完成,若有则执行下一步,否则跳到步骤(5);
(4)对于已完成的网络服务,释放其相关资源并更新网络拓扑,并更新网络服务状态为已完成,所述相关资源包括其所占用物理节点的内存和物理链路的带宽;
(5)判断当前时间片是否有网络服务到达,若有则执行下一步,否则返回步骤(3);
(6)应用粒子群算法给出每个网络服务的优化的虚拟网络功能映射方案;所述粒子群算法的具体方式为:
(601)初始化粒子群,每个粒子具有随机的初始位置和速度,粒子的位置表示方案中每个虚拟网络功能所对应的调度时序,粒子的速度表示在计算中虚拟网络功能时序的变化,用来对方案进行查找;
(602)计算每个粒子的适应值,通过粒子当前位置的调度方案计算其调度时间,以调度时间作为适应值评价标准,调度时间越短,其适应值越高;
(603)将每个粒子当前位置的适应值与其历史最佳位置对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新历史最佳位置;
(604)将每个粒子当前位置的适应值与全局最佳位置对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新全局最佳位置;
(605)更新每个粒子的位置和速度,并重复步骤(602)~(604),直至达到最大迭代次数时,输出结果得到对应的映射方案;
(7)根据步骤(6)获得的虚拟网络功能映射方案更新网络拓扑资源;
(8)利用遗传算法对所有待执行的虚拟网络服务功能进行重新调度;具体方式为:
(801)随机生成遗传算法的初始种群,其中每个个体代表一个针对所有当前网络服务请求的调度方案;
(802)以调度时间作为评价标准计算种群中个体的适应度,时间越短,则个体适应度越高;
(803)通过选择、交叉、变异操作得到新的子代种群;
(804)当达到了最大遗传代数时,输出最佳的调度方案及时间;
(9)更新时间片,返回步骤(3),循环执行操作。
本发明通过采用上述技术方案而取得的有益效果在于:
1、本发明对于网络服务中的虚拟网络功能同时考虑处理时延和传输时延的影响,采用节点的资源共享和动态带宽分配技术,提出了优化网络服务端到端时延的虚拟网络功能在线调度模型。
2、本发明采用粒子群算法对实时到达的网络服务进行虚拟网络功能映射,可以使结果快速的趋向于最优解,通过预估不同方案的网络服务调度执行时间对比给出最优化的虚拟网络功能映射方案,进而执行后续的编排调度。
3、在实际应用中,网络服务具有优先级次序的不同,本发明针对网络的实时性需求考虑了网络服务的优先级影响,对于未完成的网络服务会根据网络优先级的影响实时调整调度方案,保证了网络服务的质量与灵活性。
附图说明
图 1是本发明实施例中VNF在线调度方法的映射方案的示意图。
图 2是本发明实施例中VNF在线调度方法的流程图。
具体实施方式
下面,结合附图对本发明作进一步说明。
一种基于粒子群算法的VNF在线调度方法,其包括以下步骤:
(1)初始化物理网络资源和服务请求,输入网络拓扑和网络服务的相关参数,所述相关参数包括节点资源容量、拓扑链路带宽、网络服务所需的网络功能数量、网络服务数据流量、网络服务请求带宽;
(2)判断当前流程中是否有未完成处理的网络服务,若有则执行下一步,否则结束流程;
(3)判断当前时间片是否有网络服务完成,若有则执行下一步,否则跳到步骤(5);
(4)对于已完成的网络服务,释放其相关资源并更新网络拓扑,并更新网络服务状态为已完成,所述相关资源包括其所占用物理节点的内存和物理链路的带宽;
(5)判断当前时间片是否有网络服务到达,若有则执行下一步,否则返回步骤(3);
(6)应用粒子群算法给出每个网络服务的优化的虚拟网络功能映射方案;所述粒子群算法的具体方式为:
(601)初始化粒子群,每个粒子具有随机的初始位置和速度,粒子的位置表示方案中每个虚拟网络功能所对应的调度时序,粒子的速度表示在计算中虚拟网络功能时序的变化,用来对方案进行查找;
(602)计算每个粒子的适应值,通过粒子当前位置的调度方案计算其调度时间,以调度时间作为适应值评价标准,调度时间越短,其适应值越高;
(603)将每个粒子当前位置的适应值与其历史最佳位置对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新历史最佳位置;
(604)将每个粒子当前位置的适应值与全局最佳位置对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新全局最佳位置;
(605)更新每个粒子的位置和速度,并重复步骤(602)~(604),直至达到最大迭代次数时,输出结果得到对应的映射方案;
(7)根据步骤(6)获得的虚拟网络功能映射方案更新网络拓扑资源;
(8)利用遗传算法对所有待执行的虚拟网络服务功能进行重新调度;具体方式为:
(801)随机生成遗传算法的初始种群,其中每个个体代表一个针对所有当前网络服务请求的调度方案;
(802)以调度时间作为评价标准计算种群中个体的适应度,时间越短,则个体适应度越高;
(803)通过选择、交叉、变异操作得到新的子代种群;
(804)当达到了最大遗传代数时,输出最佳的调度方案及时间;
(9)更新时间片,返回步骤(3),循环执行操作。
具体来说,如图1所示,对于每一个网络服务请求来说,通过粒子群算法确定了相应的映射方案后,由于网络拓扑中每个节点可能已经映射了多个网络服务的多个虚拟网络功能,为了保证网络服务的质量,网络服务响应的优先级尤为重要,我们需要据此来调整所有待执行虚拟网络功能的执行时序,更新调度方案。此外,服务链中的前一个VNF完成网络服务的处理后,后续的VNF处理就立即开始是不符合实际应用场景的,每个网络服务的VNF在流量到达之前不能开始处理,因此必须考虑传输时延的影响。
在虚拟网络功能的在线调度场景下,每个粒子即对应网络服务的一种映射方案,考虑粒子数量在20-40之间,评估标准为映射方案所对应的网络服务执行时间,通过考虑处理时延、传输时延和优先级等因素,我们可以评估出该方案下网络服务调度完成的时间,进而通过比较不断迭代优化,找到最佳的映射方案。
如图2所示,一种基于粒子群算法的VNF在线调度方法,其包括以下步骤:
步骤S1:开始整个流程;
步骤S2:初始化资源,输入网络拓扑和网络服务的相关参数;
步骤S3:判断当前流程中是否有未完成处理的网络服务,若有则执行下一步,否则跳到步骤S12输出结果;
步骤S4:判断当前时间片是否有网络服务完成,若有则执行下一步,否则跳到步骤S7;
步骤S5:对于完成的网络服务释放相关资源,更新网络拓扑;
步骤S6:更新网络服务状态为已完成;
步骤S7:判断当前时间片是否有网络服务到达,若有则执行下一步,否则跳到步骤S11;
步骤S8:预估执行时间作为粒子群算法评价标准,针对每个网络服务给出优化的虚拟网络功能映射方案;
步骤S9:根据求得的网络映射方案更新网络拓扑资源;
步骤S10:利用遗传算法对所有待执行的虚拟网络服务功能进行重新调度;
步骤S11:更新时间片,循环执行操作;
步骤S12:输出网络服务的在线编排调度结果;
步骤S13:结束整个流程。
其中,步骤S8中采用了粒子群算法来优化网络服务的编排过程,在求解过程中,初始化为一群随机粒子,粒子有速度和位置两个属性,粒子的位置记录了方案中每个虚拟网络功能所对应的调度时序,粒子的速度表示在计算中虚拟网络功能时序的变化,用来对方案进行查找。每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值,并将个体极值与整个粒子群里的其他粒子共享,找到最优的作为整个粒子群的当前全局最优解,粒子群中的所有粒子根据公式(1)(2)来调整自己的速度和位置,由此不断地更新迭代找到最优解。
vi(t+1)=w×vi(t)+c1×rand()×(pibest-pi(t))+c2×rand()×(pgbest-pi(t)) (1)
pi(t+1)= pi(t)+ vi(t) (2)
其中,vi 表示粒子的速度,pi代表粒子的位置,w为惯性权重,用来限制速度的变化,c1为局部偏见,用于考虑粒子移动时与局部最优解的偏差,c2为全局偏见,用于考虑粒子移动时与全局最优解的偏差,pibest表示粒子的历史最佳位置,pgbest表示全局最佳位置,rand()为随机数,t和t+1表示当前时刻和下一时刻。
总之,该方法针对每个实时到达的网络服务首先根据基础设施的资源和约束条件来为构成网络服务的虚拟网络功能和链路进行映射,在这个过程中主要考虑时延因素的影响来确定映射方案。此外,在调度的过程中同时考虑网络服务的优先级影响,对于映射到同一个基础设施节点的虚拟网络功能支持优先级的抢占,从而可以更好的满足网络的需求。本发明可以给出合理的调度方案来确定各个网络服务中虚拟网络功能的执行时序,从而达到保障网络实时性,节约网络资源的效果。
Claims (1)
1.一种基于粒子群算法的虚拟网络功能VNF在线调度方法,其特征在于,包括以下步骤:
(1)初始化物理网络资源和服务请求,输入网络拓扑和网络服务的相关参数,所述相关参数包括节点资源容量、拓扑链路带宽、网络服务所需的网络功能数量、网络服务数据流量、网络服务请求带宽;
(2)判断当前流程中是否有未完成处理的网络服务,若有则执行下一步,否则结束流程;
(3)判断当前时间片是否有网络服务完成,若有则执行下一步,否则跳到步骤(5);
(4)对于已完成的网络服务,释放其相关资源并更新网络拓扑,并更新网络服务状态为已完成,所述相关资源包括其所占用物理节点的内存和物理链路的带宽;
(5)判断当前时间片是否有网络服务到达,若有则执行下一步,否则返回步骤(3);
(6)应用粒子群算法给出每个网络服务的优化的虚拟网络功能映射方案,每个粒子对应网络服务的一种虚拟网络功能映射方案;所述粒子群算法的具体方式为:
(601)初始化粒子群,每个粒子具有随机的初始位置和速度,粒子的位置表示映射方案中每个虚拟网络功能所对应的调度时序,粒子的速度表示在计算中虚拟网络功能时序的变化,用来对映射方案进行查找;
(602)计算每个粒子的适应值,通过粒子当前位置的调度方案计算其调度时间,以调度时间作为适应值评价标准,调度时间越短,其适应值越高;
(603)将每个粒子当前位置的适应值与其历史最佳位置对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新历史最佳位置;
(604)将每个粒子当前位置的适应值与全局最佳位置对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新全局最佳位置;
(605)更新每个粒子的位置和速度,并重复步骤(602)~(604),直至达到最大迭代次数时,输出结果得到对应的映射方案;
(7)根据步骤(6)获得的虚拟网络功能映射方案更新网络拓扑资源;
(8)利用遗传算法对所有待执行的虚拟网络服务功能进行重新调度;具体方式为:
(801)随机生成遗传算法的初始种群,其中每个个体代表一个针对所有当前网络服务请求的调度方案;
(802)以调度时间作为评价标准计算种群中个体的适应度,调度时间越短,则个体适应度越高;
(803)通过选择、交叉、变异操作得到新的子代种群;
(804)当达到了最大遗传代数时,输出最佳的调度方案及调度时间;
(9)更新时间片,返回步骤(3),循环执行操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316761.3A CN111510334B (zh) | 2020-04-21 | 2020-04-21 | 一种基于粒子群算法的vnf在线调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316761.3A CN111510334B (zh) | 2020-04-21 | 2020-04-21 | 一种基于粒子群算法的vnf在线调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111510334A CN111510334A (zh) | 2020-08-07 |
CN111510334B true CN111510334B (zh) | 2022-06-21 |
Family
ID=71864889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010316761.3A Active CN111510334B (zh) | 2020-04-21 | 2020-04-21 | 一种基于粒子群算法的vnf在线调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111510334B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065310B (zh) * | 2021-03-30 | 2022-06-14 | 福州大学 | 基于粒子群算法的连续微流体生物芯片高级综合设计方法 |
CN113783842B (zh) * | 2021-08-09 | 2022-05-24 | 中国科学院计算技术研究所 | 一种5g专网upf的计算存储资源分配方法 |
CN114466407B (zh) * | 2022-01-04 | 2024-05-07 | 中国船舶集团有限公司第七一六研究所 | 一种基于粒子群遗传的网络切片编排算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9936047B2 (en) * | 2013-10-17 | 2018-04-03 | Ciena Corporation | Method and apparatus for provisioning virtual network functions from a network service provider |
CN109787836A (zh) * | 2019-02-01 | 2019-05-21 | 北京邮电大学 | 基于遗传算法的vnf调度方案的确定方法及装置 |
CN110351145B (zh) * | 2019-07-18 | 2020-03-20 | 重庆电子工程职业学院 | 一种基于经济效益的虚拟化的无线网络功能编排方法 |
-
2020
- 2020-04-21 CN CN202010316761.3A patent/CN111510334B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111510334A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111510334B (zh) | 一种基于粒子群算法的vnf在线调度方法 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN104636204B (zh) | 一种任务调度方法与装置 | |
CN106134136B (zh) | 计算针对广域网上的数据传送的长期调度 | |
CN110348571A (zh) | 一种神经网络模型训练方法、装置、芯片和系统 | |
CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及系统 | |
CN108737569B (zh) | 一种面向移动边缘计算环境的服务选择方法 | |
CN111274036A (zh) | 一种基于速度预测的深度学习任务的调度方法 | |
CN109886509A (zh) | 一种移动多汇聚节点路径规划方法、系统及电子设备 | |
CN115277689B (zh) | 一种基于分布式联邦学习的云边网络通信优化方法及系统 | |
Fan et al. | Multi-objective optimization of container-based microservice scheduling in edge computing | |
CN102281290A (zh) | 一种PaaS云平台的仿真系统及方法 | |
CN101944157B (zh) | 一种应用于仿真网格系统的生物智能调度方法 | |
WO2021238305A1 (zh) | 一种基于强化学习的通用分布式图处理方法及系统 | |
CN103914556A (zh) | 大规模图数据处理方法 | |
CN111585811A (zh) | 一种基于多智能体深度强化学习的虚拟光网络映射方法 | |
Zhou et al. | JPAS: Job-progress-aware flow scheduling for deep learning clusters | |
CN110689174A (zh) | 基于公共交通的人员路线规划方法及装置 | |
AlOrbani et al. | Load balancing and resource allocation in smart cities using reinforcement learning | |
CN110958666B (zh) | 基于强化学习的网络切片资源映射方法 | |
Fan et al. | DRL-D: revenue-aware online service function chain deployment via deep reinforcement learning | |
CN116582407A (zh) | 一种基于深度强化学习的容器化微服务编排系统及方法 | |
CN115484205B (zh) | 确定性网络路由与队列调度方法及装置 | |
Asheralieva et al. | Efficient dynamic distributed resource slicing in 6g multi-access edge computing networks with online admm and message passing graph neural networks | |
Bensalem et al. | Scaling Serverless Functions in Edge Networks: A Reinforcement Learning Approach |
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 |