CN112087329B - 一种网络服务功能链部署方法 - Google Patents
一种网络服务功能链部署方法 Download PDFInfo
- Publication number
- CN112087329B CN112087329B CN202010879860.2A CN202010879860A CN112087329B CN 112087329 B CN112087329 B CN 112087329B CN 202010879860 A CN202010879860 A CN 202010879860A CN 112087329 B CN112087329 B CN 112087329B
- Authority
- CN
- China
- Prior art keywords
- deployment
- node
- network
- candidate
- function
- 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
- H04L41/08—Configuration management of networks or network elements
-
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- G06F2009/45562—Creating, deleting, cloning virtual machine instances
-
- 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
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种网络服务功能链部署方法,步骤为:1)读取服务功能链请求;2)计算底层网络每个节点的全局资源容量值;3)建立图卷积神经网络;4)选出候选部署集B={B1,B2,…,BN};5)按照值函数最大的候选部署子集Bk对物理网络进行部署,更新底层网络信息。本发明使用了节点排序算法概率性生成获选部署集合来减少时间复杂度,采用时序差分算法来更新候选值函数,使用图卷积神经网络动态捕获网络拓扑和剩余资源,并根据最优值函数对网络功能服务请求进行实时到达的在线部署决策。
Description
技术领域
本发明涉及网络服务功能链领域,具体是一种网络服务功能链部署方法。
背景技术
在传统网络中,服务提供者依靠中间盒来实现网络地址转换、入侵防御系统、防火墙和负载均衡器等网络功能。然而,这些网络功能被直接连接到专用硬件中,导致了服务部署中的可伸缩性不足、不灵活和管理成本高的问题。为了解决这些问题,网络功能虚拟化(Network Function Virtualization,NFV)将网络功能从专用硬件转换为软件中间盒。NFV技术以虚拟网络功能(Virtual Network Function,VNFs)的形式部署网络服务或应用程序,实现了灵活、可伸缩的部署和管理。为了组成复杂的服务,网络流量通常需要按照业务逻辑所需的特定顺序通过一组VNFs,这种链被称为服务功能链(Service Function Chain,SFC)。网络的效率在很大程度上取决于部署位置和数据传输链路的选择,这是网络服务功能链部署问题的研究重点。
现有方法有基于数学的部署算法,仿真结果显示该算法能够解决SFC的离线部署,但是需要消耗很大的计算能力,另外,在真实的场景中SFC到达时间与请求的资源是未知的,因此SFC部署应该是一个在线的部署问题,还有基于启发式和元启发式的部署方法,这些方法虽然能够解决上述问题,但是它们可能会陷入局部最优解,还有一些研究基于强化学习的部署算法来解决上述问题,但是这些方法要么有很大的搜索空间,不适合进行实时部署决策,要么依赖于手动选择特性学习算法影响其有效性。
发明内容
本发明的目的是提供一种网络服务功能链部署方法,包括以下步骤:
1)读取当前物理网络信息和服务功能链请求。
所述物理网络信息包括物理网络拓扑A和剩余资源容量状态sk,其中sk包含剩余节点容量和剩余链路带宽。
所述服务功能链请求记为SFCs={SFC1,SFC2,SFC3,…,SFCn}。n为所述服务功能链请求的数量。
2)基于物理网络信息计算底层网络每个节点的全局资源容量值。
其中,节点u的全局资源容量值r(u)如下所示:
式中,d为常数。d∈(0,1)。表示归一化之后的节点u容量。N(u)表示与节点u相邻的节点集合。b(u,v)表示节点u和节点v之间链路带宽。v、x为与节点u相邻的节点。b(x,v)表示节点x和节点v之间链路带宽。r(v)为节点v的全局资源容量值。
3)建立图卷积神经网络,将物理网络信息sk输入到图卷积神经网络中,预测出部署前的状态值函数V(sk)。所述图卷积神经网络包括输入层、隐含层和输出层。其中,图卷积神经网络的输入为部署前的物理网络状态sk,输出为物理网络状态值函数V(sk)。
其中,物理网络状态值函数V(sk)如下所示:
4)根据底层网络每个节点的全局资源容量值选出服务功能链请求SFCi的候选部署集B={B1,B2,…,BN}。i初始值为1。i=1,2,…,n。N为候选部署子集总数。
根据全局资源容量值选出候选部署集合的步骤如下:
4.1)根据全局资源容量值概率性随机选择请求的候选节点,方法为:将满足节点容量资源限制条件的节点设为候选节点,对每个候选节点设定概率值,并根据概率值大小对候选节点进行随机选择,并将候选节点写入候选部署子集Bk中。k初始值为1。
其中,节点容量资源限制条件为请求的节点容量资源小于等于映射的物理节点容量。
4.2)根据Dijkstra最短路径算法计算满足链路带宽限制条件的候选节点之间的路径,并将候选节点和候选节点之间的路径写入候选部署子集Bk中。k初始值为1。
其中,链路带宽限制条件为请求的链路带宽小于等于映射的物理链路带宽。
4.3)判断k>N是否成立,若是,则输出候选部署集B={B1,B2,…,BN},若否,则令k=k+1,并返回步骤1)。
5)初始化最大状态值函数Vmax=-∞。
6)按照候选部署子集Bk对当前物理网络进行模拟部署,并判断是否模拟部署成功。k=1,2,…,N表示候选部署子集序号。k初始值为1。
若是,则将模拟之后的物理网络信息输入到图卷积神经网络中,并进入步骤7),否则,转入步骤8)。模拟之后的物理网络信息包括模拟之后的物理网络拓扑A和模拟之后的剩余资源容量状态s'k+1。
7)图卷积神经网络根据输入的物理网络信息预测出模拟部署后的状态值函数V(s'k+1),如果V(s'k+1)>Vmax,更新最大状态值函数Vmax=V(s'k+1)。
8)判断k>N是否成立,若是,则进入步骤9),否则令k=k+1,并返回步骤6)。
9)判断最大值函数Vmax>0是否成立,若是则接受虚拟网络功能请求SFCi,并按照最大值函数的部署方案Bk对物理网络进行真实部署,更新底层网络信息,更新部署后的状态值函数V(sk+1)=Vmax,若否,则拒绝虚拟网络功能请求SFCi,进入步骤10)。
10)计算奖励值reward和当前网络状态sk+1。
其中,奖励值reward如下所示:
式中,η代表节点资源容量的成本。β代表链路资源容量的成本,cv代表节点v的容量。be代表链路e的带宽。E为链路集合。V为节点集合。
11)根据部署前的状态值函数V(sk),奖励值reward、部署后的状态值函数V(sk+1),基于时序差分算法更新图卷积神经网络。
其中,图卷积神经网络参数更新如下:
更新图卷积神经网络的步骤如下:
11.1)将部署前的物理网络状态sk、奖励值reward和部署后的网络状态sk+1写入数据子集中,并将数据子集写入神经网络的训练数据集中。
11.2)从训练数据集中随机选出M个数据子集,用以对图卷积神经网络的参数进行更新,得到更新后的图卷积神经网络。M表示批量更新的大小。
12)判断i>n是否成立,若是,则输出网络服务功能链的部署结果,否则,令i=i+1,并返回步骤4)。
本发明的技术效果是毋庸置疑的,本发明解决了功能服务链在动态场景下的实时部署问题,降低了部署时间的复杂度。
本发明将网络服务功能链部署问题建模为一个马尔可夫决策过程,目的是最大化长期收益,保证了用强化学习解决服务功能链部署的有效性。
本发明利用图卷积神经网络来逼近价值函数,预测未来长期收入的潜力,图卷积神经网络动态捕获网络拓扑和剩余资源,提高了预测性能。
本发明使用了节点排序算法概率性生成候选部署集合来减少时间复杂度,采用时序差分算法来更新候选值函数,并根据最优值函数对网络功能服务请求进行实时到达的在线部署决策。
附图说明
图1为一种网络服务功能链部署方法的部署示例图;
图2为一种网络服务功能链部署方法的总算法流程图;
图3为一种网络服务功能链部署方法的候选集选择流程图;
图4为一种网络服务功能部署方法的部署过程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图4,一种网络服务功能链部署方法,包括以下步骤:
1)读取当前物理网络信息和服务功能链请求。
所述物理网络信息包括物理网络拓扑A和剩余资源容量状态sk,其中sk包含剩余节点容量和剩余链路带宽。
所述服务功能链请求记为SFCs={SFC1,SFC2,SFC3,…,SFCn}。n为所述服务功能链请求的数量。
2)基于物理网络信息计算底层网络每个节点的全局资源容量值。
其中,节点u的全局资源容量值r(u)如下所示:
式中,d为常数。d∈(0,1)。表示归一化之后的节点u容量。N(u)表示与节点u相邻的节点集合。b(u,v)表示节点u和节点v之间链路带宽。v、x为与节点u相邻的节点。b(x,v)表示节点x和节点v之间链路带宽。r(v)为节点v的全局资源容量值。
3)建立图卷积神经网络,将物理网络信息sk输入到图卷积神经网络中,预测出部署前的状态值函数V(sk)。所述图卷积神经网络包括输入层、隐含层和输出层。其中,图卷积神经网络的输入为部署前的物理网络状态sk,输出为物理网络状态值函数V(sk)。
其中,物理网络状态值函数V(sk)如下所示:
4)根据底层网络每个节点的全局资源容量值选出服务链功能请求SFCi的候选部署集B={B1,B2,…,BN}。i初始值为1。i=1,2,…,n。N为候选部署子集总数。
每个虚拟网络请求包含多个虚拟网络功能,需要按照排列顺序对其进行部署。服务链功能请求包括多个虚拟网络功能VNFi和虚拟链路。
根据全局资源容量值选出候选部署集合的步骤如下:
4.1)将满足节点容量资源限制条件的节点设为候选节点,根据全局资源容量值(GRC)概率性随机选择请求的候选节点,并将候选节点写入候选部署子集Bk中。k初始值为1。概率性随机:每个候选节点有一个概率值,选择节点时,是按照概率值的大小随机进行选择,概率值大的被选择的可能性更高。比如三个节点的概率为0.5,0.2,0.3。0.5被选择的可能性最大,但是并不是一定选择0.5的这个节点。
其中,节点容量资源限制条件为请求的节点容量资源小于等于映射的物理节点容量。
4.2)根据Dijkstra最短路径算法计算满足链路带宽限制条件的候选节点之间的路径,并将候选节点和候选节点之间的路径写入候选部署子集Bk中。k初始值为1。
其中,链路带宽限制条件为请求的链路带宽小于等于映射的物理链路带宽。
4.3)判断k>N是否成立,若是,则输出候选部署集B={B1,B2,…,BN},若否,则令k=k+1,并返回步骤1)。
5)初始化最大状态值函数Vmax=-∞。
6)按照候选部署子集Bk对当前物理网络进行模拟部署,并判断是否模拟部署成功。k=1,2,…,N表示候选部署子集序号。k初始值为1。
若是,则将模拟之后的物理网络信息输入到图卷积神经网络中,并进入步骤7),否则,转入步骤8)。模拟之后的物理网络信息包括模拟之后的物理网络拓扑A和模拟之后的剩余资源容量状态s'k+1。
7)图卷积神经网络根据输入的物理网络信息预测出模拟部署后的状态值函数V(s'k+1),如果V(s'k+1)>Vmax,更新最大状态值函数Vmax=V(s'k+1)。
8)判断k>N是否成立,若是,则进入步骤9),否则令k=k+1,并返回步骤6)。
9)判断最大值函数Vmax>0是否成立,若是则接受虚拟网络功能请求SFCi,并按照最大值函数的部署方案Bk对物理网络进行真实部署,更新底层网络信息,更新部署后的状态值函数V(sk+1)=Vmax,若否,则拒绝虚拟网络功能请求SFCi,进入步骤10)。
10)计算奖励值reward和当前网络状态sk+1。
其中,奖励值reward如下所示:
式中,η代表节点资源容量的成本。β代表链路资源容量的成本,cv代表节点v的容量。be代表链路e的带宽。E为链路集合。V为节点集合。
11)根据部署前的状态值函数V(sk),奖励值reward、部署后的状态值函数V(sk+1),基于时序差分算法更新图卷积神经网络。
其中,时序差分算法公式为:
更新图卷积神经网络(GCN)的步骤如下:
11.1)将部署前的物理网络状态sk、奖励值reward和部署后的网络状态sk+1写入数据子集中,并将数据子集写入神经网络的训练数据集中。
11.2)从训练数据集中随机选出M个输入数据子集,用以对图卷积神经网络的参数进行更新,得到更新后的图卷积神经网络。M表示批量更新的大小。
12)判断i>n是否成立,若是,则输出网络服务功能链的部署结果,否则,令i=i+1,并返回步骤4)。
实施例2:
一种网络服务功能链部署方法的应用实验,包括以下步骤:
1)读取当前物理网络信息和服务功能链请求。
服务功能请求包含了四种虚拟网络功能{VNF1,VNF2,VNF3,VNF4},虚拟网络功能之间的数值表示所需带宽资源,虚拟网络功能上方的数值表示所需节点容量,物理网络包含了5个服务器,服务器之间的数值表示剩余带宽资源,服务器上方或下方的数值代表剩余节点容量,服务功能请求的虚拟网络功能被部署到4个服务器上,服务功能请求的虚拟链路被部署到4条物理链路。
2)当一个新的服务功能链请求SFCk到达时,环境模拟部署它,并将状态s′k+1和奖励r′k分别反馈给GCN和TD算法。其中s′k+1和r′k分别表示部署模拟之后的状态和奖励,GCN将预测的值函数传递给TD算法用来更新值函数,代理根据最优值函数的策略反馈给环境一个动作ak。
3)最后环境执行动作ak并将部署前的状态sk、奖励rk和当前状态sk+1传递给内存用来更新图卷积神经网络的参数。
Claims (2)
1.一种网络服务功能链部署方法,其特征在于,包括以下步骤:
1)读取当前物理网络信息和服务功能链请求;
所述物理网络信息包括物理网络拓扑A和剩余资源容量状态sk,其中,剩余资源容量状态sk包含剩余节点容量和剩余链路带宽;
所述服务功能链请求记为SFCs={SFC1,SFC2,SFC3,…,SFCn};n为所述服务功能链请求的数量;
2)基于物理网络信息计算底层网络每个节点的全局资源容量值;其中,节点u的全局资源容量值r(u)如下所示:
式中,d为常数;d∈(0,1);表示归一化之后的节点u容量;N(u)表示与节点u相邻的节点集合;b(u,v)表示节点u和节点v之间链路带宽;v、x为与节点u相邻的节点;b(x,v)表示节点x和节点v之间链路带宽;r(v)为节点v的全局资源容量值;
3)建立图卷积神经网络,将物理网络信息sk输入到图卷积神经网络中,预测出部署前的状态值函数V(sk);
所述图卷积神经网络包括输入层、隐含层和输出层;其中,图卷积神经网络的输入为物理网络状态sk,输出为物理网络状态值函数V(sk);
其中,物理网络状态值函数V(sk)如下所示:
4)根据底层网络每个节点的全局资源容量值选出服务功能链请求SFCi的候选部署集B={B1,B2,…,BN};i初始值为1;i=1,2,…,n;N为候选部署子集总数;
选出服务功能链请求SFCi的候选部署集的步骤如下:
4.1)根据全局资源容量值概率性随机选择请求的候选节点,方法为:将满足节点容量资源限制条件的节点设为候选节点,对每个候选节点设定概率值,并根据概率值大小对候选节点进行随机选择,并将候选节点写入候选部署子集Bk中;k初始值为1;
其中,节点容量资源限制条件为请求的节点容量资源小于等于映射的物理节点容量;
4.2)根据Dijkstra最短路径算法计算满足链路带宽限制条件的候选节点之间的路径,并将候选节点和候选节点之间的路径写入候选部署子集Bk中;k初始值为1;
其中,链路带宽限制条件为请求的链路带宽小于等于映射的物理链路带宽;
4.3)判断k>N是否成立,若是,则输出候选部署集B={B1,B2,…,BN},若否,则令k=k+1,并返回步骤4.1);
5)初始化最大状态值函数Vmax=-∞;
6)按照候选部署子集Bk对当前物理网络进行模拟部署,并判断是否模拟部署成功;k=1,2,…,N表示候选部署子集序号;k初始值为1;
若模拟部署成功,则将模拟之后的物理网络信息输入到图卷积神经网络中,并进入步骤7),否则,转入步骤8);模拟之后的物理网络信息包括模拟之后的物理网络拓扑A和模拟之后的剩余资源容量状态s'k+1;
7)图卷积神经网络根据输入的物理网络信息预测出模拟部署后的状态值函数V(s'k+1),若状态值函数V(s'k+1)>Vmax,则更新最大状态值函数Vmax=V(s'k+1);
8)判断k>N是否成立,若是,则进入步骤9),否则令k=k+1,并返回步骤6);
9)判断最大值函数Vmax>0是否成立,若是,则接受服务功能链请求SFCi,并按照最大值函数的部署方案Bk对物理网络进行真实部署,更新底层网络信息,更新部署后的状态值函数V(sk+1)=Vmax,若否,则拒绝虚拟网络功能请求SFCi,进入步骤10);
10)计算奖励值reward;
其中,奖励值reward如下所示:
式中,η代表节点资源容量的成本;β代表链路资源容量的成本,cv代表节点v的容量;be代表链路e的带宽;E为链路集合;V为节点集合;
11)根据部署前的状态值函数V(sk)、奖励值reward、部署后的状态值函数V(sk+1),基于时序差分算法更新图卷积神经网络;
其中,图卷积神经网络参数更新如下:
12)判断i>n是否成立,若是,则输出网络服务功能链的部署结果,否则,令i=i+1,并返回步骤4)。
2.根据权利要求1所述的一种网络服务功能链部署方法,其特征在于:更新图卷积神经网络的步骤如下:
1)将部署前的物理网络状态sk、奖励值reward和部署后的网络状态sk+1写入数据子集中,并将数据子集写入神经网络的训练数据集中;
2)从训练数据集中随机选出M个数据子集,用以对图卷积神经网络的参数进行更新,得到更新后的图卷积神经网络;M表示批量更新的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879860.2A CN112087329B (zh) | 2020-08-27 | 2020-08-27 | 一种网络服务功能链部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879860.2A CN112087329B (zh) | 2020-08-27 | 2020-08-27 | 一种网络服务功能链部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112087329A CN112087329A (zh) | 2020-12-15 |
CN112087329B true CN112087329B (zh) | 2022-06-07 |
Family
ID=73728023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010879860.2A Active CN112087329B (zh) | 2020-08-27 | 2020-08-27 | 一种网络服务功能链部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112087329B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631717B (zh) * | 2020-12-21 | 2023-09-05 | 重庆大学 | 基于异步强化学习的网络服务功能链动态部署系统及方法 |
CN113037811B (zh) * | 2021-02-24 | 2022-07-12 | 中国联合网络通信集团有限公司 | 部署策略选择方法及装置 |
CN115967617A (zh) * | 2021-10-11 | 2023-04-14 | 中兴通讯股份有限公司 | 网络服务部署方法、装置及计算机可读存储介质 |
CN113708982B (zh) * | 2021-10-28 | 2022-01-18 | 华中科技大学 | 一种基于群体学习的服务功能链部署方法及系统 |
CN117692503B (zh) * | 2024-02-04 | 2024-04-26 | 国网湖北省电力有限公司信息通信公司 | 动态微服务图部署和概率请求路由的联合优化方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016204903A1 (en) * | 2015-06-16 | 2016-12-22 | Intel Corporation | Technologies for secure personalization of a security monitoring virtual network function |
CN107483286A (zh) * | 2017-08-14 | 2017-12-15 | 电子科技大学 | 一种基于云‑雾环境下合并和部署服务功能链的方法 |
CN107666412A (zh) * | 2017-11-20 | 2018-02-06 | 电子科技大学 | 服务功能链的虚拟网络功能部署方法 |
CN108040008A (zh) * | 2017-12-08 | 2018-05-15 | 电子科技大学 | 在线服务功能链的跨域部署方法 |
CN108260169A (zh) * | 2018-01-26 | 2018-07-06 | 重庆邮电大学 | 一种基于QoS保障的服务功能链动态部署方法 |
CN108429633A (zh) * | 2018-01-18 | 2018-08-21 | 西南交通大学 | 基于灰狼算法的虚拟网络功能部署方法 |
CN108600019A (zh) * | 2018-04-28 | 2018-09-28 | 电子科技大学 | 一种网络服务功能链映射方法 |
CN109358971A (zh) * | 2018-10-30 | 2019-02-19 | 电子科技大学 | 动态网络环境中快速且负载均衡的服务功能链部署方法 |
CN109412963A (zh) * | 2018-11-16 | 2019-03-01 | 电子科技大学 | 一种基于流拆分的服务功能链部署方法 |
CN109831346A (zh) * | 2019-03-29 | 2019-05-31 | 电子科技大学 | 网络功能虚拟化环境下服务功能链的部署方法 |
CN110851235A (zh) * | 2019-11-04 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种适用于多维资源优化配置的虚拟网络功能部署方法 |
CN111093203A (zh) * | 2019-12-30 | 2020-05-01 | 重庆邮电大学 | 一种基于环境感知的服务功能链低成本智能部署方法 |
CN111130904A (zh) * | 2019-12-30 | 2020-05-08 | 重庆邮电大学 | 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法 |
CN111147307A (zh) * | 2019-12-30 | 2020-05-12 | 重庆邮电大学 | 基于深度强化学习的服务功能链可靠部署方法 |
CN111556173A (zh) * | 2020-06-24 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于强化学习的服务链映射方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11341372B2 (en) * | 2018-11-23 | 2022-05-24 | POSTECH Research and Business Development Foundation | Method of predicting demand of virtual network function resources to which machine learning is applied |
-
2020
- 2020-08-27 CN CN202010879860.2A patent/CN112087329B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016204903A1 (en) * | 2015-06-16 | 2016-12-22 | Intel Corporation | Technologies for secure personalization of a security monitoring virtual network function |
CN107483286A (zh) * | 2017-08-14 | 2017-12-15 | 电子科技大学 | 一种基于云‑雾环境下合并和部署服务功能链的方法 |
CN107666412A (zh) * | 2017-11-20 | 2018-02-06 | 电子科技大学 | 服务功能链的虚拟网络功能部署方法 |
CN108040008A (zh) * | 2017-12-08 | 2018-05-15 | 电子科技大学 | 在线服务功能链的跨域部署方法 |
CN108429633A (zh) * | 2018-01-18 | 2018-08-21 | 西南交通大学 | 基于灰狼算法的虚拟网络功能部署方法 |
CN108260169A (zh) * | 2018-01-26 | 2018-07-06 | 重庆邮电大学 | 一种基于QoS保障的服务功能链动态部署方法 |
CN108600019A (zh) * | 2018-04-28 | 2018-09-28 | 电子科技大学 | 一种网络服务功能链映射方法 |
CN109358971A (zh) * | 2018-10-30 | 2019-02-19 | 电子科技大学 | 动态网络环境中快速且负载均衡的服务功能链部署方法 |
CN109412963A (zh) * | 2018-11-16 | 2019-03-01 | 电子科技大学 | 一种基于流拆分的服务功能链部署方法 |
CN109831346A (zh) * | 2019-03-29 | 2019-05-31 | 电子科技大学 | 网络功能虚拟化环境下服务功能链的部署方法 |
CN110851235A (zh) * | 2019-11-04 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种适用于多维资源优化配置的虚拟网络功能部署方法 |
CN111093203A (zh) * | 2019-12-30 | 2020-05-01 | 重庆邮电大学 | 一种基于环境感知的服务功能链低成本智能部署方法 |
CN111130904A (zh) * | 2019-12-30 | 2020-05-08 | 重庆邮电大学 | 一种基于深度确定性策略梯度的虚拟网络功能迁移优化算法 |
CN111147307A (zh) * | 2019-12-30 | 2020-05-12 | 重庆邮电大学 | 基于深度强化学习的服务功能链可靠部署方法 |
CN111556173A (zh) * | 2020-06-24 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于强化学习的服务链映射方法 |
Non-Patent Citations (7)
Title |
---|
NFVdeep:Adaptive Online Service Function Chain Deployment with Deep Reinforcement Learning;Yikai Xiao et al.;《2019 IEEE/ACM 27th international symposium on quality of service (IWQoS)》;20200416;全文 * |
reliable design method for service function chaining;Aiko OI et al.;《2019 20th Asia-Pacific Network Operations and management symposium(APNOMS)》;20191107;全文 * |
service function chain composition and mapping in NFV-Enabled networks;Meng Wang et al.;《2019 IEEE world congress on service (SERVICES)》;20190829;全文 * |
基于QOS保障的服务功能链动态部署算法;唐伦等;《北京邮电大学学报》;20181215;全文 * |
基于可靠性的服务功能链构建算法;兰巨龙等;《通信学报》;20190125;全文 * |
基于随机学习的接入网服务功能链部署算法;陈前斌等;《电子与信息学报》;20180913;全文 * |
数据中心网络中服务功能链的部署与路由;杨柯;《万方》;20170828;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112087329A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112087329B (zh) | 一种网络服务功能链部署方法 | |
CN112398899B (zh) | 一种面向边缘云系统的软件微服务组合优化方法 | |
CN111368888B (zh) | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 | |
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
Blenk et al. | Boost online virtual network embedding: Using neural networks for admission control | |
CN109840154B (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
US20230306266A1 (en) | Computational graph optimization | |
CN112085615B (zh) | 图神经网络的训练方法及装置 | |
WO2022116957A1 (zh) | 算法模型及路径的确定方法、电子设备、sdn控制器和介质 | |
Liu et al. | Fine-grained flow classification using deep learning for software defined data center networks | |
CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
CN108684046A (zh) | 一种基于随机学习的接入网服务功能链部署方法 | |
US11652709B2 (en) | Managing computation load in a fog network | |
CN109214543A (zh) | 数据处理方法及装置 | |
CN113228059A (zh) | 面向跨网络的表示学习算法 | |
CN113535381B (zh) | 基于改进遗传算法的服务功能链映射方法、装置及设备 | |
CN114020469A (zh) | 基于边缘节点的多任务学习方法、装置、介质与设备 | |
Asheralieva et al. | Ultra-reliable low-latency slicing in space-air-ground multi-access edge computing networks for next-generation internet of things and mobile applications | |
CN110717116A (zh) | 关系网络的链接预测方法及系统、设备、存储介质 | |
CN113541986A (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN110009091B (zh) | 学习网络在等价类空间中的优化 | |
CN112787833A (zh) | 内容分发网络cdn服务器的部署方法和装置 | |
CN116822759A (zh) | 旅行商问题求解方法、装置、设备及存储介质 | |
Bekhit et al. | Multi-objective vnf placement optimization with nsga-iii | |
CN112488831A (zh) | 区块链网络交易方法、装置、存储介质及电子设备 |
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 |