CN111538570B - 一种面向节能和QoS保障的VNF部署方法及装置 - Google Patents
一种面向节能和QoS保障的VNF部署方法及装置 Download PDFInfo
- Publication number
- CN111538570B CN111538570B CN202010397736.2A CN202010397736A CN111538570B CN 111538570 B CN111538570 B CN 111538570B CN 202010397736 A CN202010397736 A CN 202010397736A CN 111538570 B CN111538570 B CN 111538570B
- Authority
- CN
- China
- Prior art keywords
- preset
- vnf
- vnf deployment
- deployment scheme
- deployment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 99
- 238000013507 mapping Methods 0.000 claims abstract description 58
- 238000005265 energy consumption Methods 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 238000004808 supercritical fluid chromatography Methods 0.000 claims description 63
- 230000035772 mutation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 abstract description 24
- 230000008569 process Effects 0.000 abstract description 16
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 54
- 238000004891 communication Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种面向节能和QoS保障的VNF部署方法及装置,方法包括:通过K条最短路径算法对预置待部署SFC映射的VNF实例进行连接部署,在此基础上,采用多目标优化模型计算每个初始VNF部署方案的适应度函数值;选择前面一半较小的适应度函数值对应的预置初始VNF部署方案作为父代种群;通过遗传算法进行运算,得到子代种群;再根据约束条件和K条最短路径算法进行更新部署;需要判断迭代次数是否大于预置最大迭代次数,如果否,则继续进行迭代,直至迭代次数为预置最大迭代次数。解决了现有技术无法在VNF的部署过程中既能保障QoS,又能节省能耗的技术问题。
Description
技术领域
本申请涉及通信领域,尤其涉及一种面向节能和QoS保障的VNF部署方法及装置。
背景技术
NFV(网络功能虚拟化)是由欧洲电信标准协会推动的新概念,该技术旨在通过使用虚拟化和云计算技术简化网络服务的部署与管理。与基于硬件设备的传统服务提供模式相比,NFV网络支持在通用服务器上部署VNF(虚拟网络架构),因此该技术在减小部署专用硬件设备的开销的同时,保证了网络服务的灵活性,可靠性和扩展性。此外,部署在网络中的部分VNF可以被连接成一条服务功能链(Service Function Chain,SFC),进而可以向用户提供更复杂的服务。
在大规模电信网络中,为了满足用户的服务请求,运营商需要在不同的网络位置部署VNF,网络在处理和传输用户数据的过程中消耗量大量的电能。调查数据表明,互联网通信技术行业的相关设备在2008年的温室气体排放量占据总量的2%-2.5%,并预测在即将到来的2020年这个数字会达到两倍以上。因此,能耗已经成为VNF部署的一个重要考虑因素,所以在进行VNF部署过程中应尽量实现节能优化。
现有的VNF部署方案要么就是虽然促进了整个网络底层物理资源的合理利用,节省了开支,但方案过于固化不符合实际的应用情况;要么就是虽然方案能够满足实际应用需求,但没有考虑网络中的VNF部署的开销问题,一时无法得到较为完善的VNF部署方案。
发明内容
本申请提供了一种面向节能和QoS保障的VNF部署方法及装置,用于解决现有技术无法在VNF的部署过程中既能保障QoS,又能节省能耗的技术问题。
有鉴于此,本申请第一方面提供了一种面向节能和QoS保障的VNF部署方法,包括:
S1:通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案;
S2:采用预置多目标优化模型计算每个所述初始VNF部署方案的适应度函数值,所述预置多目标优化模型包括服务器开销函数和链路开销函数,所述预置多目标优化模型的优化求解受预置约束条件约束;
S3:将所述适应度函数值升序排列,选择前面一半的所述适应度函数值对应的所述预置初始VNF部署方案作为父代种群;
S4:根据预置交叉概率和预置变异概率对所述父代种群分别进行交叉运算和变异运算,得到子代种群,所述子代种群为第一VNF部署方案;
S5:基于所述预置约束条件、所述预置待部署SFC、所述子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案;
S6:判断迭代次数是否大于预置最大迭代次数,如果否,则将所述第二VNF部署方案代替所述初始VNF部署方案,并重复步骤S2-S5,直至迭代次数为所述预置最大迭代次数,如果是,则停止迭代。
优选地,步骤S1,之前还包括:
S0:接收采用预置泊松分布模拟得到的虚拟网络请求,所述虚拟网络请求包括多条待部署SFC。
优选地,步骤S1,包括:
按照预置部署规则将每条所述预置待部署SFC进行映射,得到所述VNF实例,所述预置部署规则为每部署一条所述预置待部署SFC,则更新一次网络资源的可用度;
通过所述第一K条最短路径算法将所述VNF实例进行连接,得到所述初始VNF部署方案。
优选地,所述预置约束条件包括:链路约束、映射约束、处理顺序约束、CPU需求数量约束和最大带宽约束。
优选地,所述服务器开销函数为:
其中,Cn为服务器部署总开销,a、b均为第一权重因子,pn、pmax分别为服务器总能耗和服务器最大能耗,Ts、Tmax分别为VNF处理总时延和VNF处理最大时延。
优选地,所述链路开销函数为:
其中,Cl为链路总开销,c、d均为第二权重因子,pla、plmax分别为链路总能耗和链路最大能耗,Tl、Tlmax分别是链路传输总时延和链路传输最大时延。
优选地,步骤S5,还包括:
通过单纯形法对所述第二VNF部署方案的映射方案进行单纯形调整,得到优化后的第二VNF部署方案。
优选地,步骤S5,还包括:
如果所述实例连接操作不满足所述预置约束条件,则将所述第一VNF部署方案通过第二K最短路径算法进行实例连接操作,得到次级VNF部署方案。
本申请第二方面提供了一种面向节能和QoS保障的VNF部署装置,包括:
初始部署模块,用于通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案;
第一计算模块,用于采用预置多目标优化模型计算每个所述初始VNF部署方案的适应度函数值,所述预置多目标优化模型包括服务器开销函数和链路开销函数,所述预置多目标优化模型的优化求解受预置约束条件约束;
选择模块,用于将所述适应度函数值升序排列,选择前面一半的所述适应度函数值对应的所述预置初始VNF部署方案作为父代种群;
第二计算模块,用于根据预置交叉概率和预置变异概率对所述父代种群分别进行交叉运算和变异运算,得到子代种群,所述子代种群为第一VNF部署方案;
更新部署模块,用于基于所述预置约束条件、所述预置待部署SFC、所述子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案;
迭代模块,用于判断迭代次数是否大于预置最大迭代次数,如果否,则将所述第二VNF部署方案代替所述初始VNF部署方案,并触发所述第一计算模块,直至迭代次数为所述预置最大迭代次数,如果是,则停止迭代。
优选地,所述初始部署模块,包括:
映射子模块,用于按照预置部署规则将每条所述预置待部署SFC进行映射,得到所述VNF实例,所述预置部署规则为每部署一条所述预置待部署SFC,则更新一次网络资源的可用度;
连接子模块,用于通过所述第一K条最短路径算法将所述VNF实例进行连接,得到所述初始VNF部署方案。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种面向节能和QoS保障的VNF部署方法,包括:S1:通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案;S2:采用预置多目标优化模型计算每个初始VNF部署方案的适应度函数值,预置多目标优化模型包括服务器开销函数和链路开销函数,预置多目标优化模型的优化求解受预置约束条件约束;S3:将适应度函数值升序排列,选择前面一半的适应度函数值对应的预置初始VNF部署方案作为父代种群;S4:根据预置交叉概率和预置变异概率对父代种群分别进行交叉运算和变异运算,得到子代种群,子代种群为第一VNF部署方案;S5:基于预置约束条件、预置待部署SFC、子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案;S6:判断迭代次数是否大于预置最大迭代次数,如果否,则将第二VNF部署方案代替初始VNF部署方案,并重复步骤S2-S5,直至迭代次数为预置最大迭代次数,如果是,则停止迭代。
本申请提供的面向节能和QoS保障的VNF部署方法,结合模型优化算法和遗传算法对VNF部署中的涉及的能耗问题和部署方案问题进行研究,通过K最短路径算法对根据预置待部署SFC映射的VNF实例进行连接,得到优化的链路部署方案,采用多目标优化模型对VNF部署方案进行适应度函数值计算,目的是为了选择出节点开销和链路开销最小的VNF部署方案,通过不同的方法对VNF部署方案进行定向选择,使得VNF方案在保障QoS的情况下,能够做到能耗最小;将选择的VNF部署方案通过遗传算法进行迭代,选择最优的部署方案作为最终方案,迭代的条件是预设的最大迭代次数,是为了避免局部最优情况的出现。因此,本申请提供的面向节能和QoS保障的VNF部署方法能够解决现有技术无法在VNF的部署过程中既能保障QoS,又能节省能耗的技术问题。
附图说明
图1为本申请实施例提供的一种面向节能和QoS保障的VNF部署方法的一个流程示意图;
图2为本申请实施例提供的一种面向节能和QoS保障的VNF部署方法的另一个流程示意图;
图3为本申请实施例提供的一种面向节能和QoS保障的VNF部署装置的一个结构示意图;
图4为本申请应用例提供的三种算法求解的部署方案中的NFV网络能耗曲线图;
图5为本申请应用例提供的三种算法求解的部署方案中的NFV网络总开销曲线图;
图6为本申请应用例提供的三种算法求解的部署方案中的网络运行CPU数目曲线图;
图7为本申请应用例提供的三种算法求解的部署方案中的请求成功率曲线图;
图8为本申请应用例提供的三种算法求解的部署方案中的SFC的平均时延直方图;
图9为本申请应用例提供的三种算法求解的部署方案中的网络带宽消耗直方图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种面向节能和QoS保障的VNF部署方法的实施例一,包括:
步骤101、通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案。
需要说明的是,预置待部署SFC可以是直接获取的虚拟网络请求,也可以是模拟的虚拟网络请求,具体的来源可以根据实际情况给定,不作限定,而K条最短路径算法是用于寻找偏离节点和终止节点之间最短的路径的方法,从某个节点出发,沿着节点与节点组成的边到达另一节点所经过的路径中,各边上权值之和最小的一条路径叫做最短路径;具体的K条最短路径算法用于VNF实例的连接能够得到路径最短的优化部署方案,这是从连接节点和链路资源的优化而言的。
步骤102、采用预置多目标优化模型计算每个初始VNF部署方案的适应度函数值,预置多目标优化模型包括服务器开销函数和链路开销函数,预置多目标优化模型的优化求解受预置约束条件约束。
需要说明的是,以上的K条最短路径算法是为了优化连接节点和连接链路的优化,此处的多目标优化模型是为了优化部署方案中的节点和链路的固有资源情况,即根据节点和链路的开销情况优化部署方案,或者说选择节点开销和链路开销最小的VNF部署方案,这样得到的方案既考虑了节点链路的部署优化问题,又考虑了部署过程中的资源开销问题,保障VNF部署的服务质量的同时,还能达到节能的目的。采用预置多目标优化模型计算每个初始VNF部署方案的适应度函数值的目的是利用遗传算法的迭代演算,寻求最优的VNF部署方案,通过不断的选择,计算以及优化,才能得到最优的VNF部署方案。多目标优化模型的优化求解受预置约束条件约束,此处的预置约束条件是针对网络资源、节点连接规则等方面提出的,使得VNF部署方案符合实际情况。
步骤103、将适应度函数值升序排列,选择前面一半的适应度函数值对应的预置初始VNF部署方案作为父代种群。
需要说明的是,将适应度函数值升序排列后,前面一半的为适应度函数值较小的,也就是说明前面一半的VNF部署方案的开销最小,因此,择优选择,这样的VNF部署方案作为父代种群进行迭代演算。
步骤104、根据预置交叉概率和预置变异概率对父代种群分别进行交叉运算和变异运算,得到子代种群,子代种群为第一VNF部署方案。
需要说明的是,交叉运算是遗传算法中的关键操作,预置交叉概率作为交叉算子作用于父代种群进行交叉运算,变异运算是针对父代种群中的个体而言的,通过预置变异概率作为变异算子作用于种群中的某些个体;预置交叉概率和预置变异概率均是根据实际情况设置的,不作限制。得到的子代种群为新的VNF部署方案,此方案是否可以作为最终方案输出,还要判断遗传算法中的迭代条件是否满足预置的条件,预置的迭代条件有助于选择全局最优的部署方案。
步骤105、基于预置约束条件、预置待部署SFC、子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案。
需要说明的是,对新得到的子代种群,即新的VNF部署方案需要重新进行映射以及连接操作,使用的映射和连接方法和步骤101中方法一样,VNF部署过程中仍然需要满足预置约束条件,即实际的虚拟网络架构部署的网络相关条件,至此才能得到结果性VNF部署方案。
步骤106、判断迭代次数是否大于预置最大迭代次数,如果否,则将第二VNF部署方案代替初始VNF部署方案,并重复步骤102-105,直至迭代次数为预置最大迭代次数,如果是,则停止迭代。
需要说明的是,预置最大迭代次数的设置目的是为了避免遗传算法陷入局部最优解;重复迭代计算,在全局范围内搜索,达到预置最大迭代次数即可停止,得到最终的VNF部署方案;没有达到迭代条件就继续将第二VNF部署方案代替适应度函数值计算中的处理对象,继续进行计算和选择,直至达到预置最大迭代次数为止。
本实施例提供的面向节能和QoS保障的VNF部署方法,结合模型优化算法和遗传算法对VNF部署中的涉及的能耗问题和部署方案问题进行研究,通过K最短路径算法对根据预置待部署SFC映射的VNF实例进行连接,得到优化的链路部署方案,采用多目标优化模型对VNF部署方案进行适应度函数值计算,目的是为了选择出节点开销和链路开销最小的VNF部署方案,通过不同的方法对VNF部署方案进行定向选择,使得VNF方案在保障QoS的情况下,能够做到能耗最小;将选择的VNF部署方案通过遗传算法进行迭代,选择最优的部署方案作为最终方案,迭代的条件是预设的最大迭代次数,是为了避免局部最优情况的出现。因此,本实施例提供的面向节能和QoS保障的VNF部署方法能够解决现有技术无法在VNF的部署过程中既能保障QoS,又能节省能耗的技术问题。
为了便于理解,请参阅图2,本申请实施例中提供了一种面向节能和QoS保障的VNF部署方法的实施例二,包括:
步骤201、接收采用预置泊松分布模拟得到的虚拟网络请求,虚拟网络请求包括多条待部署SFC。
需要说明的是,泊松分布适合于描述单位时间(或空间)内随机事件发生的次数;例如本实施例中的单位时间内的虚拟网络请求次数,为虚拟网络请求提供来源,随机模拟更加能够反应实际的虚拟网络请求的情况。
步骤202、按照预置部署规则将每条预置待部署SFC进行映射,得到VNF实例,预置部署规则为每部署一条预置待部署SFC,则更新一次网络资源的可用度。
需要说明的是,初始的映射其实是一个随机映射的过程,设置预置部署规则是为了对网络中的可用资源进行更新,使得VNF部署过程是一个动态的操作过程,并非静态的,在实际应用中,网络中的可用资源得不到及时更新,容易形成误判,部署过程中不是超出可用资源范围,就是浪费闲置资源。预置部署规则就设定了再部署一条预置待部署SFC后,就对网络资源的可用度进行更新,这里的网络资源是指网络中的可用带宽以及CPU闲置量等。由于本实施例中的每个服务器节点上能够部署的VNF视力不止一个,所以及时更新可用资源的情况是很有必要的,能够最大化物理资源的利用率。
步骤203、通过第一K条最短路径算法将VNF实例进行连接,得到初始VNF部署方案。
步骤204、采用预置多目标优化模型计算每个初始VNF部署方案的适应度函数值,预置多目标优化模型包括服务器开销函数和链路开销函数,预置多目标优化模型的优化求解受预置约束条件约束。
需要说明的是,上述的初始VNF部署方案的部署目的是方案最优,使得网络服务质量最佳,此处的多目标优化模型则是为了开销最小,这里的开销包括服务器节点的开销和链路开销,具体的开销又包括耗能和时延;多目标优化模型在预置约束条件的约束下进行优化计算,得到最小值,即为最优解。在初始VNF部署方案的基础上进行选取,使得得到的方案既能满足节能需求,又能保障QoS。具体的多目标优化模型的获取方法如下:用G=(V,L)表示一个底层物理网络,其中,V表示物理网络中的服务器节点集合,L表示物理网络中链路集合,节点集合用于放置VNF实例,链路用于映射SFC的虚拟链路;NFV网络的开销主要包括VNF处理用户数据时的能耗与时延和物理链路传输用户流量时的能耗和时延;以下分为服务器节点开销和链路开销进行详细说明。首先是服务器的开销,在能耗上分为开机能耗和处理能耗,时延主要是VNF处理时延;开机能耗取决于服务器上是否部署VNF,处理能耗与服务器CPU的利用率成正比,用nums表示部署在服务器n上的VNF实例f的个数:
其中,表示在服务功能链r上的VNF实例f是否部署在物理节点n上,若是则取值为1,若否则为0;br为服务功能链r的带宽,bf为VNF实例f的吞吐量。
由于VNF处理用户流量的能耗与CPU的利用率成正比,所以服务器上部署VNF实例f后CPU的利用率cp可以表示为:
用ps表示服务器s开机时的能量消耗,pnt表示服务器n满负载运行时能量消耗,部署在服务器上的VNF实例f消耗的能量表示为:
其中,Cv为服务器v的全部CPU数量,cf为部署VNF实例f所需要的CPU数量。
服务器总能耗可表示为:
当有VNF部署在服务器上时,服务器必须开机以保证该VNF能正常提供服务,开机能耗无需重复计算,且与VNF的数量无关。
VNF处理时延与f是否部署在服务器n上有关,因此,VNF的处理总时延可表示为:
将服务器总能耗与总处理时延进行归一化,并加权求和就可以得到服务器开销函数为:
其中,Cn为服务器部署总开销,a、b均为第一权重因子,pn、pmax分别为服务器总能耗和服务器最大能耗,Ts、Tmax分别为VNF处理总时延和VNF处理最大时延。
其次是物理链路开销,在能耗上分为开机能耗和传输数据时的能耗,在时延上主要是链路传输时延;开机能耗取决于这段链路是否用于传输流量,且传输能耗与链路的带宽利用率成正比,传输数据时的时延由链路利用率决定;对于链路l的带宽利用率BUl可以表示为:
其中,为服务功能链r上的VNF实例f和g是否部署在物理节点n和m上;Cl为物理链路l的最大带宽负载;/>为物理链路l上的物理节点n与m之间是否映射了SFC的虚拟链路r,若是映射成功,则取值为1,若否则取值为0。由于物理链路的传输能耗与链路的带宽利用率成正比,因此,链路总能耗可以表示为:
其中,pl为物理链路的开机能耗,plt为链路l满负载传输流量时链路的传输能耗,为一个二进制变量,若是服务功能链r上的流量从链路l上的节点n到节点m,则取值为1,否则取值为0。
链路传输总时延与链路是否传输用户流量有关,链路传输总时延可表示为:
将链路总能耗和链路传输总时延进行归一化后加权求和得到链路总开销,可以将链路开销函数为:
其中,Cl为链路总开销,c、d均为第二权重因子,pla、plmax分别为链路总能耗和链路最大能耗,Tl、Tlmax分别是链路传输总时延和链路传输最大时延。
求得到了服务器部署总开销和链路总开销,那么可以得到网络的全部开销,表示为:
网络的全部开销Call越小说明NFV网络的能耗越小,时延越小,服务质量也越好。
需要说明的是,本实施例中的多目标优化模型的预置约束条件包括:链路约束、映射约束、处理顺序约束、CPU需求数量约束和最大带宽约束。首先是链路约束,映射SFC中的虚拟链路时,需要保证流量的流动方向,因此,假设在服务功能链r上存在两个虚拟的VNF节点:V0和V1,其中服务功能链上的流量应该满足从V0流向V1,那么链路约束关系可以表示为:
其次是映射约束,在本实施例中,假设一条SFC不能分解为两条物理链路,那么任意一条SFC中的每个VNF都只能映射到一个服务器上,可以表示为:
另外是处理顺序约束,为了保证SFC中的VNF是按照SFC中的处理顺序进行处理操作的,应该满足的如下表达的处理顺序约束条件:
其中,表示服务功能链r中的VNF实例f和g的相对顺序,若f在g之前,则/>取值为1,反之则为0。
最后是CPU需求数量约束和最大带宽约束,VNF放置时还需要满足服务器和链路的负载能力的约束,就是部署在服务器上的所有VNF所需要的CPU数量不得超过服务器CPU总数,链路消耗的带宽不得超过这段链路的最大带宽,具体可以表示为:
综上可以得到本实施例中多目标优化模型为:
其中的约束条件为C1-C5。
步骤205、将适应度函数值升序排列,选择前面一半的适应度函数值对应的预置初始VNF部署方案作为父代种群。
需要说明的是,将适应度函数值升序排列后,前面一半的为适应度函数值较小的,也就是说明前面一半的VNF部署方案的开销最小,因此,择优选择,这样的VNF部署方案作为父代种群进行迭代演算。
步骤206、根据预置交叉概率和预置变异概率对父代种群分别进行交叉运算和变异运算,得到子代种群,子代种群为第一VNF部署方案。
需要说明的是,交叉运算是遗传算法中的关键操作,预置交叉概率作为交叉算子作用于父代种群进行交叉运算,变异运算是针对父代种群中的个体而言的,通过预置变异概率作为变异算子作用于种群中的某些个体;预置交叉概率和预置变异概率均是根据实际情况设置的,不作限制。得到的子代种群为新的VNF部署方案,此方案是否可以作为最终方案输出,还要判断遗传算法中的迭代条件是否满足预置的条件,预置的迭代条件有助于选择全局最优的部署方案。
步骤207、基于预置约束条件、预置待部署SFC、子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案。
需要说明的是,对新得到的子代种群,即新的VNF部署方案需要重新进行映射以及连接操作,使用的映射和连接方法和步骤101中方法一样,VNF部署过程中仍然需要满足预置约束条件C1-C5,预置约束条件是满足实际应用的网络情况和部署条件的,至此得到的VNF部署方案才具备一定的代表性。
步骤208、如果实例连接操作不满足预置约束条件,则将第一VNF部署方案通过第二K最短路径算法进行实例连接操作,得到次级VNF部署方案。
需要说明的是,如果上述部署过程中,部署方案无法满足预置约束条件,则直接保持原有方案,不更新方案,原有方案即将第一VNF部署方案直接进行实例连接操作,得到的次级VNF部署方案,该方案也是可以应用的有效部署方案。
步骤209、通过单纯形法对第二VNF部署方案的映射方案进行单纯形调整,得到优化后的第二VNF部署方案。
需要说明的是,上述得到的第二VNF部署方案已经具备一定的代表性,但是为了表面遗传算法的迭代造成局部最优,可以通过单纯形法对第二VNF部署方案进行单纯形调整,得到优化的第二VNF部署方案;具体的优化过程为:首先,随机选择x个适应度函数最优的VNF部署方案作为单纯形定点,计算x个单纯形定点的适应度函数值,并进行升序排序;其次,从x个VNF部署方案中挑出最优个体、次优和最差的VNF部署方案,并计算构造的单纯形的反射中心;然后对介于反射中心和最差VNF部署方案之间的VNF映射方案进行单纯形调整,就可以完成对应的扩张或压缩操作;最后,根据算法收敛特性判断是否收敛,若是,则可以得到优化的第二VNF部署方案;否则继续进行优化迭代。
步骤210、判断迭代次数是否大于预置最大迭代次数,如果否,则将第二VNF部署方案代替初始VNF部署方案,并重复步骤204-209,直至迭代次数为预置最大迭代次数,如果是,则停止迭代。
需要说明的是,最大迭代次数不仅是为了遗传算法中的迭代条件设置的,更重要的是为了避免局部最优解,除了上述的单纯形法之外,设置最大迭代次数也是避免局部最优解的手段之一。设置了迭代次数难免出现一些无意义的迭代,但是并不影响优化得到最佳结果。
为了便于理解,本申请提供了一种面向节能和QoS保障的VNF部署方法的应用例:本应用例中的算法测试在配置为Intel(R)Core i7-5500 2.40GHz,8GB内存的PC机上运行,算法程序采用Matlab软件运行仿真,测试算法所用的网络拓扑结构由13个节点和21条链路组成。为了便于测试,假设测试所需的SFC仅由三种VNF组成,且在底层物理网络中,每条物理链路的最大带宽为1000Mbps,每个服务器节点的CPU内核数量为16个;假设任一条SFC的VNF数目最多由3个VNF组成,且VNF数量服从在[1,3]的均匀分布;假设所有SFC请求的带宽在[10Mbps,50Mbps]的范围内均匀分布。物理链路的时延在{1,2,3,4}中随机选择,服务器的开机能耗和满负载能耗分别设置为150W、600W,链路的开机能耗和满负载能耗分别设置为100W和400W;遗传算法的交叉概率pc和变异概率pm分别设置为0.6和0.01;单纯形算法中p0的设置为0.5,压缩和扩张时的步进概率设置为0.005。选择两种随机算法和本申请实施例中的混合遗传算法进行对比,一种是节点-链路映射算法,另一种是链路-节点映射算法;第一种的部署原则是随机选择具有足够资源和处理能力的节点和物理链路进行映射;第二中的部署原则是先计算出从源端到目的端的最短路径,再在该路径上随机部署VNF;另外选择六种性能指标作为集中算法的对比指标,实现系统的分析。首先是网络能耗,请参阅图4,网络能耗是包含归一化后的网络时延和网络能耗,即实施例中的服务器总能耗,该参数反映了上述算法求解得到的VNF部署方案的服务质量和能耗;从图4可以看出,随着SFC请求数目的增加,三种算法求解的部署方案的能耗开销都在增加,但是本申请实施例中的混合遗传映射方法明显优于两种随机算法,原因是相较于链路-节点映射算法,本实施例中的混合遗传映射算法在映射SFC的虚拟链路时,按照节点之间的最短路径进行映射,并通过单纯形法进行不断调整映射方案,使得种群的较差个体不断向较优方向发展,因此,本实施例中的部署方案能有效降低网络能耗。其次是网络的全部能耗Call,它反映了三种算法部署不同的SFC时NFV网络的总开销;请参阅图5,总开销值越小,说明网络的总体开销越低,服务质量越好;从图5可以看出,随着SFC请求数目的增多(节点能耗占全部能耗的比重在增加),网络的全部开销也在增加,但本实施例的混合遗传算法求解的映射方案明显优于随机算法求解的部署方案;原因是和节点-链路映射算法相比,混合遗传算法具有更小的时延,和链路-节点映射算法相比,本实施例的算法具有更高的CPU利用率,因此本发明设计的算法的总开销更小。然后是网络运行CPU数目,它反映了部署SFC时,三种算法求解的VNF部署方案中网络中处于运行状态CPU的数量;请参阅图6,随着SFC请求数目的增多,网络中使用的CPU的数目也在增加,和其它两种算法相比,本实施例的算法能有效的减小CPU的数目,原因是节点-链路随机映射算法在映射时VNF的物理位置随机确定的,而链路-节点随机映射算法在映射虚拟路径时是按照源端和目的端之间的最短路径映射,不同的SFC难以共享位于同一服务器上的VNF,而本实施例的遗传算法映射VNF,通过多目标优化模型和预置约束条件扩大了映射方案的可行解范围。因此,本算法的求解方案使网络中的CPU的利用率更高,使用的CPU的数目更少。接着是链路映射成功率,它反映了三种算法部署不同数目的SFC时,映射的SFC条数和SFC请求总条数之比,请参阅图7,当请求映射的SFC数目较少时,NFV网络的空闲资源比较充分,因此三者的映射成功率都比较高;随着请求映射的SFC数目的增多,两种随机算法和混合遗传算法的请求接受率都有不同程度的降低,但本实施例的混合遗传算法的接受率的下降更平缓,且在映射同样数目的SFC时,混合遗传算法的映射成功率更高,因此本算法能够满足更多的SFC请求映射。最后是时延和带宽,平均时延反映的是在部署SFC时,三种算法求解的VNF部署方案的平均时延;而带宽则反映了在部署SFC时,三种算法求解的VNF部署方案消耗的全部带宽;具体请参阅图8和图9,本实施例的算法求解的映射方案的平均时延和带宽消耗介于节点-链路映射算法和链路-节点映射算法之间,分析原因是为了提高VNF的共享率,本算法在映射VNF时采用遗传算法编码映射,因此从源端到目的端的映射路径可能不是最短路径,因此,本算法在时延和带宽消耗两种指标上要稍弱于链路-节点映射算法,但是由于节点-链路算法。综合以上指标和对比分析可知,从总体是而言,本实施例提供的面向节能和QoS保障的VNF部署方法的性能更优。
为了便于理解,请参与图3,本申请中还提供了一种面向节能和QoS保障的VNF部署装置的实施例,包括:
初始部署模块301,用于通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案;
第一计算模块302,用于采用预置多目标优化模型计算每个初始VNF部署方案的适应度函数值,预置多目标优化模型包括服务器开销函数和链路开销函数,预置多目标优化模型的优化求解受预置约束条件约束;
选择模块303,用于将适应度函数值升序排列,选择前面一半的适应度函数值对应的预置初始VNF部署方案作为父代种群;
第二计算模块304,用于根据预置交叉概率和预置变异概率对父代种群分别进行交叉运算和变异运算,得到子代种群,子代种群为第一VNF部署方案;
更新部署模块305,用于基于预置约束条件、预置待部署SFC、子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案;
迭代模块306,用于判断迭代次数是否大于预置最大迭代次数,如果否,则将第二VNF部署方案代替初始VNF部署方案,并触发第一计算模块,直至迭代次数为预置最大迭代次数,如果是,则停止迭代。
进一步地,初始部署模块301,包括:
映射子模块3011,用于按照预置部署规则将每条预置待部署SFC进行映射,得到VNF实例,预置部署规则为每部署一条预置待部署SFC,则更新一次网络资源的可用度;
连接子模块3012,用于通过第一K条最短路径算法将VNF实例进行连接,得到初始VNF部署方案。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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全部或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,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (6)
1.一种面向节能和QoS保障的VNF部署方法,其特征在于,包括:
S0:接收采用预置泊松分布模拟得到的虚拟网络请求,所述虚拟网络请求包括多条待部署SFC;
S1:通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案,步骤S1,包括:
按照预置部署规则将每条所述预置待部署SFC进行映射,得到所述VNF实例,所述预置部署规则为每部署一条所述预置待部署SFC,则更新一次网络资源的可用度;
通过所述第一K条最短路径算法将所述VNF实例进行连接,得到所述初始VNF部署方案;
S2:采用预置多目标优化模型计算每个所述初始VNF部署方案的适应度函数值,所述预置多目标优化模型包括服务器开销函数和链路开销函数,所述预置多目标优化模型的优化求解受预置约束条件约束;
S3:将所述适应度函数值升序排列,选择前面一半的所述适应度函数值对应的所述初始VNF部署方案作为父代种群;
S4:根据预置交叉概率和预置变异概率对所述父代种群分别进行交叉运算和变异运算,得到子代种群,所述子代种群为第一VNF部署方案;
S5:基于所述预置约束条件、所述预置待部署SFC、所述子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案,步骤S5,还包括:
如果所述实例连接操作不满足所述预置约束条件,则将所述第一VNF部署方案通过第二K最短路径算法进行实例连接操作,得到次级VNF部署方案;
S6:判断迭代次数是否大于预置最大迭代次数,如果否,则将所述第二VNF部署方案代替所述初始VNF部署方案,并重复步骤S2-S5,直至迭代次数为所述预置最大迭代次数,如果是,则停止迭代。
2.根据权利要求1所述的面向节能和QoS保障的VNF部署方法,其特征在于,所述预置约束条件包括:链路约束、映射约束、处理顺序约束、CPU需求数量约束和最大带宽约束。
3.根据权利要求1所述的面向节能和QoS保障的VNF部署方法,其特征在于,所述服务器开销函数为:
其中,Cn为服务器部署总开销,a、b均为第一权重因子,pn、pmax分别为服务器总能耗和服务器最大能耗,Ts、Tmax分别为VNF处理总时延和VNF处理最大时延。
4.根据权利要求3所述的面向节能和QoS保障的VNF部署方法,其特征在于,所述链路开销函数为:
其中,Cl为链路总开销,c、d均为第二权重因子,pla、plmax分别为链路总能耗和链路最大能耗,Tl、Tlmax分别是链路传输总时延和链路传输最大时延。
5.根据权利要求1所述的面向节能和QoS保障的VNF部署方法,其特征在于,步骤S5,还包括:
通过单纯形法对所述第二VNF部署方案的映射方案进行单纯形调整,得到优化后的第二VNF部署方案。
6.一种面向节能和QoS保障的VNF部署装置,其特征在于,包括:
SFC请求单元,用于接收采用预置泊松分布模拟得到的虚拟网络请求,所述虚拟网络请求包括多条待部署SFC;
初始部署模块,用于通过第一K条最短路径算法将根据预置待部署SFC映射的VNF实例进行连接,得到初始VNF部署方案,所述初始部署模块,包括:
映射子模块,用于按照预置部署规则将每条所述预置待部署SFC进行映射,得到所述VNF实例,所述预置部署规则为每部署一条所述预置待部署SFC,则更新一次网络资源的可用度;
连接子模块,用于通过所述第一K条最短路径算法将所述VNF实例进行连接,得到所述初始VNF部署方案;
第一计算模块,用于采用预置多目标优化模型计算每个所述初始VNF部署方案的适应度函数值,所述预置多目标优化模型包括服务器开销函数和链路开销函数,所述预置多目标优化模型的优化求解受预置约束条件约束;
选择模块,用于将所述适应度函数值升序排列,选择前面一半的所述适应度函数值对应的所述初始VNF部署方案作为父代种群;
第二计算模块,用于根据预置交叉概率和预置变异概率对所述父代种群分别进行交叉运算和变异运算,得到子代种群,所述子代种群为第一VNF部署方案;
更新部署模块,用于基于所述预置约束条件、所述预置待部署SFC、所述子代种群和第二K条最短路径算法进行实例连接操作,得到第二VNF部署方案,如果所述实例连接操作不满足所述预置约束条件,则将所述第一VNF部署方案通过第二K最短路径算法进行实例连接操作,得到次级VNF部署方案;
迭代模块,用于判断迭代次数是否大于预置最大迭代次数,如果否,则将所述第二VNF部署方案代替所述初始VNF部署方案,并触发所述第一计算模块,直至迭代次数为所述预置最大迭代次数,如果是,则停止迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397736.2A CN111538570B (zh) | 2020-05-12 | 2020-05-12 | 一种面向节能和QoS保障的VNF部署方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397736.2A CN111538570B (zh) | 2020-05-12 | 2020-05-12 | 一种面向节能和QoS保障的VNF部署方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538570A CN111538570A (zh) | 2020-08-14 |
CN111538570B true CN111538570B (zh) | 2024-03-19 |
Family
ID=71975728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010397736.2A Active CN111538570B (zh) | 2020-05-12 | 2020-05-12 | 一种面向节能和QoS保障的VNF部署方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538570B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112187510B (zh) * | 2020-08-26 | 2021-09-14 | 中国科学院信息工程研究所 | 一种基于遗传算法的虚拟网络功能放置方法及电子装置 |
CN112600694B (zh) * | 2020-12-04 | 2022-11-15 | 国网电力科学研究院有限公司 | 物联网安全监测与管理方法、系统及介质 |
CN112910693B (zh) * | 2021-01-20 | 2022-07-08 | 福州大学 | 基于vnf并置影响分析的sfc部署方法 |
CN112910698B (zh) * | 2021-01-27 | 2023-08-22 | 网宿科技股份有限公司 | 一种cdn覆盖方案的调整方法、装置及设备 |
CN115361299B (zh) * | 2022-07-26 | 2023-09-01 | 广东工业大学 | 低时延边缘计算服务功能链部署方法、系统、设备及存储介质 |
CN115858087B (zh) * | 2022-11-08 | 2023-07-18 | 瀚博创芯半导体(成都)有限公司 | 在云计算系统中部署多个进程的方法、装置、设备及介质 |
CN116720638B (zh) * | 2023-04-13 | 2024-03-26 | 广东工业大学 | 一种基于改进进化算法的逆最短路权重调整方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110365526A (zh) * | 2019-07-09 | 2019-10-22 | 国网江苏省电力有限公司南京供电分公司 | 一种面向节能和QoS保障的VNF部署方法及系统 |
-
2020
- 2020-05-12 CN CN202010397736.2A patent/CN111538570B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110365526A (zh) * | 2019-07-09 | 2019-10-22 | 国网江苏省电力有限公司南京供电分公司 | 一种面向节能和QoS保障的VNF部署方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111538570A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538570B (zh) | 一种面向节能和QoS保障的VNF部署方法及装置 | |
CN110365526B (zh) | 一种面向节能和QoS保障的VNF部署方法及系统 | |
CN111027736B (zh) | 多目标优化下的微服务组合部署与调度方法 | |
Lin et al. | QoS-aware data replication for data-intensive applications in cloud computing systems | |
CN114338504B (zh) | 一种基于网络边缘系统的微服务部署和路由方法 | |
CN113708972B (zh) | 一种服务功能链部署方法、装置、电子设备及存储介质 | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
CN108667657B (zh) | 一种面向sdn的基于局部特征信息的虚拟网络映射方法 | |
CN112118312B (zh) | 一种面向边缘服务器的网络突发负载疏散方法 | |
CN109379230B (zh) | 一种基于广度优先搜索的服务功能链部署方法 | |
CN111556516A (zh) | 面向时延和能效敏感业务的分布式无线网络任务协同分配方法 | |
CN114071582A (zh) | 面向云边协同物联网的服务链部署方法及装置 | |
Han et al. | Interference-aware online multicomponent service placement in edge cloud networks and its ai application | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
Li et al. | Load balancing edge server placement method with QoS requirements in wireless metropolitan area networks | |
CN111324429B (zh) | 一种基于多代血统参考距离的微服务组合调度方法 | |
CN109873772A (zh) | 基于稳定匹配的流调度方法、装置、计算机设备及存储介质 | |
Kanwal et al. | A genetic based leader election algorithm for IoT cloud data processing | |
CN113159539B (zh) | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 | |
US11936758B1 (en) | Efficient parallelization and deployment method of multi-objective service function chain based on CPU + DPU platform | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN109889573A (zh) | 混合云中基于ngsa多目标的副本放置方法 | |
CN114118444B (zh) | 一种利用启发式算法降低联邦学习中设备空跑时间的方法 | |
Chen et al. | Q-SAC: toward QoS optimized service automatic composition |
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 |