CN112436992A - 基于图卷积网络的虚拟网络映射方法及装置 - Google Patents

Abstract

本发明提供了一种基于图卷积网络的虚拟网络映射方法及装置，涉及虚拟网络的技术领域，包括：先获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；然后将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；再基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；最后若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。本发明利用目标图卷积网络可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。

Description

基于图卷积网络的虚拟网络映射方法及装置

技术领域

本发明涉及虚拟网络技术领域，尤其是涉及一种基于图卷积网络的虚拟网络映射方法及装置。

背景技术

现有的深度学习算法都是使用了传统的深度学习模型CNN和RNN对物理网络的结构进行建模，提取物理节点的若干条信息，例如度、资源大小等作为物理节点的局部表示。这些传统的深度学习模型用到的数据都是欧式空间的数据，提取若干条拓扑节点信息来表征物理网络整体结构的方法对图这种非欧几里得形式的数据，无疑会损失很多信息。因此现有的虚拟网络映射方法存在虚拟网络映射的效率低和物理网络的资源利用率低的技术问题。

发明内容

本发明的目的在于提供一种基于图卷积网络的虚拟网络映射方法及装置，以缓解了现有技术中存在的虚拟网络映射的效率低和物理网络的资源利用率低的技术问题。

第一方面，本发明提供的一种基于图卷积网络的虚拟网络映射方法，其中，包括：获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。

进一步的，所述目标图卷积网络包括：至少两个隐藏层；将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率，包括：将所述物理节点的特征矩阵作为输入数据输入至第一个隐藏层，输出所述物理节点的第一空间结构信息；将所述第一空间结构信息作为输入数据输入至第二个隐藏层，输出所述物理节点的第二空间结构信息；其中，所述第二空间结构信息是第一空间结构信息的高阶；将所述第二空间结构信息进行分类，得到所述物理节点的映射概率。

进一步的，所述方法还包括：获取训练样本；其中，所述训练样本包括：训练物理节点的特征矩阵；将所述训练物理节点的特征矩阵输入到初始图卷积网络，得到所述训练物理节点的映射概率；基于所述训练物理节点的映射概率计算所述初始图卷积网络的目标损失函数的函数值；通过所述目标损失函数的函数值对初始图卷积网络的参数进行调整，得到所述目标图卷积网络。

进一步的，基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵，包括：基于所述映射请求和物理网络的属性信息，确定物理节点的多个特征信息；基于所述多个特征信息确定物理节点的特征矩阵。

进一步的，基于所述多个特征信息确定物理节点的特征矩阵，包括：对所述多个特征信息进行归一化处理，得到归一化处理后的多个特征信息；将所述归一化处理后的多个特征信息进行组合，得到所述物理节点的特征矩阵。

进一步的，虚拟网络映射包括：节点映射和链路映射，基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射，包括：按照资源需求顺序对虚拟网络中所有的虚拟节点进行排序，得到排序后的虚拟网络；选择映射概率最大的物理节点作为待映射物理节点；判断所述待映射物理节点的可用物理网络资源是否满足第一虚拟节点的资源需求；其中，所述第一虚拟节点为所述排序后的虚拟网络中的第一个虚拟节点；若是，则将所述第一虚拟节点与所述待映射物理节点进行映射，并在映射之后，依次对其余虚拟节点执行节点映射操作；其中，所述其余虚拟节点为所述排序后的虚拟网络中除第一虚拟节点以外的其他虚拟节点；在所述排序后的虚拟网络中所有虚拟节点完成映射之后，执行链路映射。

进一步的，所述映射请求包括虚拟网络的属性信息，所述虚拟网络的属性信息包括虚拟节点的个数、虚拟节点之间相连的概率、虚拟节点CPU容量的分布区间、虚拟链路宽带的分布区间和虚拟请求到达时间中的一个或多个，所述物理网络的属性信息包括物理节点的个数、物理链路的个数、物理节点CPU容量的分布区间和物理链路宽带的分布区间中的一个或多个。

第二方面，本发明提供的一种基于图卷积网络的虚拟网络映射装置，其中，包括：第一获取单元，用于获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；第一输入单元，用于将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；映射单元，用于基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；确定单元，用于若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。

第三方面，本发明还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现的所述的基于图卷积网络的虚拟网络映射方法的步骤。

第四方面，本发明还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的基于图卷积网络的虚拟网络映射方法。

本发明提供的一种基于图卷积网络的虚拟网络映射方法及装置，包括：先获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；然后将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；再基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；最后若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。本发明利用目标图卷积网络可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

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为现有的虚拟网络映射算法中RLVNE模型的结构示意图；

图2为现有的虚拟网络映射算法中CDRL模型的结构示意图；

图3为本发明实施例提供的一种基于图卷积网络的虚拟网络映射方法的流程图；

图4为目标图卷积网络的结构示意图；

图5为目标图卷积网络的训练伪代码；

图6为目标图卷积网络的测试伪代码；

图7为图3中步骤S103的流程图；

图8为GCN-VNE算法的流程图；

图9为目标图卷积网络在训练过程中的损失变化图；

图10为目标图卷积网络在训练过程中的长期收益指标变化图；

图11为目标图卷积网络在训练过程中的长期收益成本比指标变化图；

图12为目标图卷积网络在训练过程中的请求接受率指标变化图；

图13为目标图卷积网络与三个基准算法的长期收益成本比指标变化图；

图14为目标图卷积网络与三个基准算法的长期收益指标变化图；

图15为目标图卷积网络与三个基准算法的长期请求接收率；

图16为本发明实施例提供的一种基于图卷积网络的虚拟网络映射装置的结构示意图。

图标：

11-第一获取单元；12-第一输入单元；13-映射单元；14-确定单元。

具体实施方式

下面将结合实施例对本发明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。基于本发明中的实施例，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，都属于本发明保护的范围。

由于底层与虚拟网络的绑定，因此新的协议和服务较难部署到现有网络架构上，互联网的发展遇到瓶颈。针对互联网中存在的严重的“僵化”问题，人们提出网络虚拟化，将底层基础设施与逻辑网络解耦合，并且允许共享虚拟化资源，即在同一个物理网络上可以同时存在多个逻辑网络。网络虚拟化作为一种新兴技术，可以通过抽象，分布和隔离等机制在一个或多个物理网络中实现多个完全不同的虚拟网络。由于网络虚拟化技术无需关注底层的物理网络，以软件定义的方式描述网络拓扑，从而实现网络资源的灵活配置和动态管理，因此简化了网络管理，有效提高了网络资源的利用率，并且支持网络异构性。网络虚拟化技术不仅可以支持网络多样化和普及程度，还可以提高网络资源的利用率，因此是未来网络发展一个有前景的方向。

虚拟网络映射问题是网络虚拟化研究的关键内容之一，在共享底层网络中映射多个虚拟网络，处理虚拟资源在物理基础设施中的高效映射，就是虚拟网络映射问题。虚拟网络映射的目的是根据不同拓扑结构的虚拟网络的映射请求中虚拟节点CPU和虚拟链路带宽资源的约束，为其分配相应底层基础设施，从而提供虚拟网络服务的建立。

随着机器学习和人工智能的不断发展，越来越多的深度学习模型开始引入到虚拟网络映射算法，比如RLVNE和CDRL算法。其中，RLVNE算法和CDRL算法就分别采用了卷积神经网络和循环神经网络各自训练出了一套基于强化学习的虚拟网络映射机制，使得物理网络的资源有效利用率相对传统的启发式方法有了很好的提升。这两种算法分别使用CNN和RNN来提取物理网络底层节点间的拓扑连接关系，并使用强化学习算法来优化网络参数，最终获得节点映射机制的深度学习模型。RLVNE模型和CDRL模型分别如图1、2所示。

具体来说，现有的深度学习算法都是使用了传统的深度学习模型CNN和RNN对物理网络的结构进行建模，提取物理节点的若干条信息，如度、计算资源大小等作为物理节点的局部表示。这些传统的深度学习模型用到的数据都是欧式空间的数据，欧氏空间下的数据最显著的特征就是有着规则的空间结构，比如图片是规则的正方形栅格，语音数据是一维序列，这些数据能够通过一维或二维的矩阵进行表示。上述CNN主要用于处理图结构，在做图像识别时，对象是图片，是一个二维的结构，于是人们发明了CNN这种神奇的模型来提取图片的特征。CNN的核心在于它的kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享。这就是CNN的精髓所在。再回忆一下RNN系列，它的对象是自然语言这样的序列信息，是一个一维的结构，RNN就是专门针对这些序列的结构而设计的，通过各种门的操作，使得序列前后的信息互相影响，从而捕捉序列的特征。

这些传统的深度学习模型用到的数据都是欧式空间的数据，提取若干条拓扑节点信息来表征物理网络整体结构的方法对图这种非欧几里得形式的数据，无疑会损失很多信息。因此现有的虚拟网络映射方法存在虚拟网络映射的效率低和物理网络的资源利用率低的技术问题。基于此，本发明的目的在于提供一种基于图卷积网络的虚拟网络映射方法及装置，可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于图卷积网络的虚拟网络映射方法进行详细描述。

实施例1：

根据本发明实施例，提供了一种基于图卷积网络的虚拟网络映射方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图3为本发明实施例提供的一种基于图卷积网络的虚拟网络映射方法的流程图，如图3所示，该方法包括如下步骤：

步骤S101，获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵。

在本发明实施例中，映射请求包括虚拟网络的属性信息，虚拟网络的属性信息包括虚拟节点的个数、虚拟节点之间相连的概率、虚拟节点CPU容量的分布区间、虚拟链路宽带的分布区间和虚拟请求到达时间中的一个或多个，物理网络的属性信息包括物理节点的个数、物理链路的个数、物理节点CPU容量的分布区间和物理链路宽带的分布区间中的一个或多个。

步骤S102，将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率。

如图4所示，本发明实施例给出了目标图卷积网络的结构示意图，该目标图卷积网络(Graph Convolutional Network，GCN)可以称为GCN-VEN模型，或称为GCN策略网络，是适用于VNE场景的策略网络模型。本发明实施例中的GCN-VEN模型在传统GCN模型的基础上进行了修改，修改主要体现在了模型的输出层。GCN-VEN模型主要是用于实现物理节点分类，该模型输出的每个物理节点都会获得一个维度等于节点分类类别数的向量。由于GCN-VEN模型最终的期望是要获得当前虚拟节点的具体映射位置，所以最终输出的向量维度设置为物理节点的个数。之后使用Softmax函数，得到每个物理节点的映射概率。基于PolicyGradient算法，提出了GCN-VNE算法。在训练过程中用自己生成的训练集对目标图卷积网络进行训练，最后再用测试集对目标图卷积网络的性能进行测试，并且和几种启发式算法以及基于CNN提取物理网络结构的算法RLVNE(即基准算法)进行映射效果的比较。需要注意的是，目标图卷积网络的训练以及测试的具体过程如下所述，在此不作赘述。

步骤S103，基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射。

步骤S104，若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。

本发明实施例提供的一种基于图卷积网络的虚拟网络映射方法，包括：先获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；然后将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；再基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；最后若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。本发明实施例利用目标图卷积网络可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。

在一个可选的实施例中，目标图卷积网络包括：至少两个隐藏层；结合图4可知，步骤S102，将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率，包括：

步骤S201，将物理节点的特征矩阵作为输入数据输入至第一个隐藏层，输出物理节点的第一空间结构信息；

步骤S202，将第一空间结构信息作为输入数据输入至第二个隐藏层，输出物理节点的第二空间结构信息；其中，第二空间结构信息是第一空间结构信息的高阶；

步骤S203，将第二空间结构信息进行分类，得到物理节点的映射概率。GCN策略网络的逐层传播公式为：

其中，X表示GCN策略网络的输入向量，其维度为N*C，N为物理网络中物理节点的个数，C为下述物理节点的多个特征信息的维度，θ为GCN策略网络的参数，维度为C*F，F为GCN策略网络中隐藏层的神经元个数，输出Y的维度为N*F。在GCN-VNE算法中，每个物理节点提取四个维度的特征信息(这四个维度的特征信息在下文中有详细的描述)，并在进行归一化处理后组成特征矩阵X。提取的这四个维度的特征信息需要充分表现出物理节点的存储容量和物理节点间的低阶连接关系。

将作为归一化处理后的多个特征信息构成的物理节点的特征矩阵

设为A，那么简化后的GCN策略网络的逐层传播公式为：

H^l+1＝RELU(AH^lW)

其中，l代表GCN模型层数，即第一层公式为：

H¹＝RELU(AH⁰W⁰)

其中，A∈R^n×n，H⁰∈R^n×nfeat，W⁰∈R^{nfeat×nhidden}，n代表物理网络节点个数，nfeat为物理节点的特征信息的特征维度，nhidden为GCN策略网络中隐藏层的神经元个数。

第二层传播公式为：

H²＝RELU(AH¹W¹)

其中，A∈R^n×n，H¹∈R^n×nhidden，W¹∈R^{nhidden×nClass}，nClass代表分类个数。在VNE场景中，nClass被设为1，最终输出的向量维度为n*nClass，softmax后得到当前虚拟节点映射到n个物理节点上的概率。

上述GCN策略网络可以采用两层隐藏层进行建模。在建模完成之后，映射算法上可以采用两段式的映射结构，即首先对虚拟节点进行映射，若虚拟节点映射失败，则当前虚拟网络的映射请求被拒绝映射。在所有的虚拟节点映射完毕之后，进行链路映射。链路映射过程中采用Floyd算法来计算节点间的最短路径。如果某条链路映射失败，那么当前虚拟网络的映射请求也被拒绝映射。

在一个可选的实施例中，方法还包括：

步骤S301，获取训练样本；其中，训练样本包括：训练物理节点的特征矩阵；

步骤S302，将训练物理节点的特征矩阵输入到初始图卷积网络，得到训练物理节点的映射概率；

步骤S303，基于训练物理节点的映射概率计算初始图卷积网络的目标损失函数的函数值；

步骤S304，通过目标损失函数的函数值对初始图卷积网络的参数进行调整，得到目标图卷积网络。

如图5所示，本发明实施例给出了目标图卷积网络的训练伪代码。训练样本是训练集中的样本。在训练结束之后，利用测试集中的测试样本对目标图卷积网络进行测试，如图6所示，本发明实施例给出了目标图卷积网络的测试伪代码。目标损失函数为策略梯度算法，即在目标图卷积网络的参数训练过程中，采用策略梯度算法可以对目标图卷积网络的参数进行更新。其中，策略梯度算法中的参数梯度更新公式为：

其中，α代表学习率，

表示对logπ_θ(s,a)Q_π(s,a)求梯度，π_θ(s,a)表示状态s下的action分布，Q_π(s,a)表示状态s下动作a获得的奖励值。

评价目标图卷积网络的表现可以采用以下3个指标，即：

(1)长期收益Rev：

(2)长期收益成本比Rev2Cost：

(3)请求接受率Acp：

在一个可选的实施例中，步骤S101，基于映射请求和物理网络的属性信息确定物理节点的特征矩阵，包括：

步骤S401，基于映射请求和物理网络的属性信息，确定物理节点的多个特征信息；

步骤S402，基于多个特征信息确定物理节点的特征矩阵。

在本发明实施例中，物理节点的多个特征信息包括但不限于：节点剩余计算资源，节点度，宽带和，以及已映射节点距离等信息，上述四个维度的特征信息的解释分别如下：

(1)节点剩余计算资源：

其中，n_v表示映射到物理节点n_s上的虚拟节点。

(2)节点度：

其中，L(n^s,n)表示物理节点n和物理节点n^s是否相连，如果相连则为1，不相连则为0。

(3)带宽和：

其中，

表示和物理节点n^s相连的链路集合，BW(l^s)表示链路l^s的带宽，SUM(n^s)表示与物理节点n^s相连的链路带宽和。

(4)已映射节点距离：

其中，

代表当前虚拟网络的映射请求已映射节点集合，

代表已映射节点的总量，

代表物理节点n^s和物理节点

之间的距离。

在一个可选的实施例中，步骤S402，基于多个特征信息确定物理节点的特征矩阵，包括：

步骤S501，对多个特征信息进行归一化处理，得到归一化处理后的多个特征信息；

步骤S502，将归一化处理后的多个特征信息进行组合，得到物理节点的特征矩阵。

在一个可选的实施例中，虚拟网络映射包括：节点映射和链路映射，如图7所示，步骤S103，基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射，包括：

步骤S601，按照资源需求顺序对虚拟网络中所有的虚拟节点进行排序，得到排序后的虚拟网络；

步骤S602，选择映射概率最大的物理节点作为待映射物理节点；

步骤S603，判断待映射物理节点的可用物理网络资源是否满足第一虚拟节点的资源需求；

在本发明实施例中，第一虚拟节点为排序后的虚拟网络中的第一个虚拟节点；

步骤S604，若是，则将第一虚拟节点与待映射物理节点进行映射，并在映射之后，依次对其余虚拟节点执行节点映射操作；

在本发明实施例中，其余虚拟节点为排序后的虚拟网络中除第一虚拟节点以外的其他虚拟节点。

步骤S605，在排序后的虚拟网络中所有虚拟节点完成映射之后，执行链路映射。

在节点映射中，根据虚拟节点的资源需求(优先考虑映射需求大的虚拟节点)将其映射到底层中满足其资源需求且资源条件最好的物理节点；在链路映射中，根据虚拟链路两端点映射的底层节点(或称为物理节点)，将其映射到底层节点间满足其带宽需求的最短路径上。

图8为GCN-VNE算法的流程图，与上述描述方案一致，因此不再赘述。通过实验可以证明GCN-VNE算法的优势。示例性的，在实验设置上，虚拟网络用无向图G_v＝(N_v,L_v,C_nv,C_lv)描述，随机生成两组虚拟网络的映射请求(简称为虚拟请求)，每组1000个，分别作为训练集和测试集。表1是虚拟请求的参数分布：

表1虚拟请求中虚拟网络的属性信息

虚拟节点个数	均匀分布[2,10]
		虚拟网络节点相连的概率	0.5
虚拟节点CPU容量的分布	均匀分布[0,50]
		虚拟链路带宽的分布	均匀分布[0,50]
虚拟请求到来的分布	100units/4

物理网络用无向图G_s＝(N_s′,L_s′,A_ns′,A_ls′)描述，表2是物理网络的属性信息：

表2物理网络的属性信息

物理节点个数	100
		物理链路个数	550
物理节点CPU容量的分布	均匀分布[50,100]
		物理链路带宽的分布	均匀分布[20,50]

在GCN-VNE算法的仿真中，可以选择业界比较流行的深度学习仿真平台TensorFlow。首先，评估GCN-VNE算法的收敛性。如图9所示，在GCN策略网络训练期间，该网络的损失函数值逐渐下降。在训练开始时，由于参数随机化带来了足够的优化空间，因此损失迅速减少。通过不断的训练，损失的下降速度趋于平缓。在大约90到100个训练周期后，损失几乎稳定。实验结果表明，GCN-VNE算法可以有效地学习并收敛到最优点。

此外，本发明实施例可以统计训练过程中GCN-VNE算法的三个评价指标的变化图。如图10、图11和图12所示，在训练开始时三个评价指标的值都相对较低，这是因为在GCN策略网络中采用了随机初始化的参数。随着训练的进行，映射机制逐渐得到优化，各项指标不断提高。在大约80个训练周期之后，由于物理网络资源的限制，每个指标都达到了稳定的状态。

在训练集训练的第一阶段中，可以根据图10、图11和图12这三个指标图推断出，GCN-VNE算法的训练效果相对可信，并且每个评价指标的提升是显著的。在第二阶段中，采用测试集来评估GCN-VNE算法的泛化性能，在这里引入了其他三种业界比较流行的基准VNE算法。这三种算法分别是：两种启发式算法和一种强化学习辅助的算法。第一个基准算法引入了路径分割和迁移策略以优化链路映射。第二个基准算法是NodeRank算法，其在节点映射过程中，首先将资源可用性高的物理节点分配给资源需求高的虚拟节点，以实现合理的资源分配。最后一个基准算法是RLVNE算法，其创建了基于CNN的策略网络以优化映射决策。与RLVNE算法的比较可以直观地显示CNN和GCN在提取拓扑图的空间特征方面的差异。图1是RLVNE的策略网络架构。

如图13、14、15所示，可以统计下GCN-VNE算法的测试过程的各项评价指标变化图，并与各基准算法进行了比较。从这些图中可以发现这四种算法的变化趋势大致一致。需要注意的是，在测试开始时长期收益和请求接受率这两项指标很高，原因是映射刚开始时物理网络拥有足够的资源。随着请求的不断映射和物理网络资源不断的减少，这两个指标也逐渐下降。相比之下，收益成本比指标基本不会有大的波动，因为它与可用的物理网络资源量无关。从上述三个图中可以看出，本发明实施例提供的GCN-VNE算法各项指标始终在其他算法之上。因此，可以得出本申请中GCN-VNE算法优于其他三个基准算法的结论。

本发明实施例具有以下优势：(1)本发明实施例将GCN应用于解决VNE问题，多隐藏层的GCN通过卷积核在物理网络片节点之间提取高阶空间结构信息，以进行端到端的学习。(2)根据VNE的特点修改GCN模型，并提出适用于VNE场景的GCN-VNE算法，引入了策略梯度算法来更新策略网络的参数，可以有效地提高训练性能，直接优化映射决策。(3)设计的三个评估指标可以用于评估GCN-VNE算法的性能。通过上述仿真结果表明，本发明实施例提供的GCN-VNE算法在这三个指标上明显优于其他三个业界领先的基准算法，证明GCN-VNE算法在解决物理网络资源分配问题方面具有优势。

实施例2：

本发明实施例提供了一种基于图卷积网络的虚拟网络映射装置，该基于图卷积网络的虚拟网络映射装置主要用于执行实施例1上述内容所提供的基于图卷积网络的虚拟网络映射方法，以下对本发明实施例提供的基于图卷积网络的虚拟网络映射装置做具体介绍。

图16为本发明实施例提供的一种基于图卷积网络的虚拟网络映射装置的结构示意图。如图16所示，该基于图卷积网络的虚拟网络映射装置，主要包括：第一获取单元11，第一输入单元12，映射单元13和确定单元14，其中：

第一获取单元11，用于获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；

第一输入单元12，用于将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；

映射单元13，用于基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；

确定单元14，用于若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。

本发明实施例提供的一种基于图卷积网络的虚拟网络映射装置，包括：先利用第一获取单元11获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；然后利用第一输入单元12将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；再利用映射单元13基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；最后若虚拟网络映射中的节点映射和链路映射都成功，则利用确定单元14确定虚拟网络映射成功。本发明实施例利用目标图卷积网络可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。

可选地，目标图卷积网络包括：至少两个隐藏层；第一输入单元12包括：第一输入模块，第二输入模块和分类模块，其中：

第一输入模块，用于将物理节点的特征矩阵作为输入数据输入至第一个隐藏层，输出物理节点的第一空间结构信息；

第二输入模块，用于将第一空间结构信息作为输入数据输入至第二个隐藏层，输出物理节点的第二空间结构信息；其中，第二空间结构信息是第一空间结构信息的高阶；

分类模块，用于将第二空间结构信息进行分类，得到物理节点的映射概率。

可选地，装置还包括：第二获取单元，第二输入单元，计算单元和调整单元，其中：

第二获取单元，用于获取训练样本；其中，训练样本包括：训练物理节点的特征矩阵；

第二输入单元，用于将训练物理节点的特征矩阵输入到初始图卷积网络，得到训练物理节点的映射概率；

计算单元，用于基于训练物理节点的映射概率计算初始图卷积网络的目标损失函数的函数值；

调整单元，用于通过目标损失函数的函数值对初始图卷积网络的参数进行调整，得到目标图卷积网络。

可选地，第一获取单元11包括：第一确定模块和第二确定模块，其中：

第一确定模块，用于基于映射请求和物理网络的属性信息，确定物理节点的多个特征信息；

第二确定模块，用于基于多个特征信息确定物理节点的特征矩阵。

可选地，第二确定模块包括：归一化子模块和组合子模块，其中：

归一化子模块，用于对多个特征信息进行归一化处理，得到归一化处理后的多个特征信息；

组合子模块，用于将归一化处理后的多个特征信息进行组合，得到物理节点的特征矩阵。

可选地，虚拟网络映射包括：节点映射和链路映射，映射单元13，包括：排序模块，选择模块，判断模块，第一映射模块和第二映射模块，其中：

排序模块，用于按照资源需求顺序对虚拟网络中所有的虚拟节点进行排序，得到排序后的虚拟网络；

选择模块，用于选择映射概率最大的物理节点作为待映射物理节点；

判断模块，用于判断待映射物理节点的可用物理网络资源是否满足第一虚拟节点的资源需求；其中，第一虚拟节点为排序后的虚拟网络中的第一个虚拟节点；

第一映射模块，用于若是，则将第一虚拟节点与待映射物理节点进行映射，并在映射之后，依次对其余虚拟节点执行节点映射操作；其中，其余虚拟节点为排序后的虚拟网络中除第一虚拟节点以外的其他虚拟节点；

第二映射模块，用于在排序后的虚拟网络中所有虚拟节点完成映射之后，执行链路映射。

可选地，映射请求包括虚拟网络的属性信息，虚拟网络的属性信息包括虚拟节点的个数、虚拟节点之间相连的概率、虚拟节点CPU容量的分布区间、虚拟链路宽带的分布区间和虚拟请求到达时间中的一个或多个，物理网络的属性信息包括物理节点的个数、物理链路的个数、物理节点CPU容量的分布区间和物理链路宽带的分布区间中的一个或多个。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在一个可选的实施例中，本实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法实施例方法的步骤。

在一个可选的实施例中，本实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行上述方法实施例方法。

此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

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，本实施例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。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于图卷积网络的虚拟网络映射方法，其特征在于，包括：

获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；

将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；

基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；

若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。

2.根据权利要求1所述的方法，其特征在于，所述目标图卷积网络包括：至少两个隐藏层；

将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率，包括：

将所述物理节点的特征矩阵作为输入数据输入至第一个隐藏层，输出所述物理节点的第一空间结构信息；

将所述第一空间结构信息作为输入数据输入至第二个隐藏层，输出所述物理节点的第二空间结构信息；其中，所述第二空间结构信息是第一空间结构信息的高阶；

将所述第二空间结构信息进行分类，得到所述物理节点的映射概率。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本；其中，所述训练样本包括：训练物理节点的特征矩阵；

将所述训练物理节点的特征矩阵输入到初始图卷积网络，得到所述训练物理节点的映射概率；

基于所述训练物理节点的映射概率计算所述初始图卷积网络的目标损失函数的函数值；

通过所述目标损失函数的函数值对初始图卷积网络的参数进行调整，得到所述目标图卷积网络。

4.根据权利要求1所述的方法，其特征在于，基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵，包括：

基于所述映射请求和物理网络的属性信息，确定物理节点的多个特征信息；

基于所述多个特征信息确定物理节点的特征矩阵。

5.根据权利要求4所述的方法，其特征在于，基于所述多个特征信息确定物理节点的特征矩阵，包括：

对所述多个特征信息进行归一化处理，得到归一化处理后的多个特征信息；

将所述归一化处理后的多个特征信息进行组合，得到所述物理节点的特征矩阵。

6.根据权利要求1所述的方法，其特征在于，虚拟网络映射包括：节点映射和链路映射，基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射，包括：

按照资源需求顺序对虚拟网络中所有的虚拟节点进行排序，得到排序后的虚拟网络；

选择映射概率最大的物理节点作为待映射物理节点；

判断所述待映射物理节点的可用物理网络资源是否满足第一虚拟节点的资源需求；其中，所述第一虚拟节点为所述排序后的虚拟网络中的第一个虚拟节点；

若是，则将所述第一虚拟节点与所述待映射物理节点进行映射，并在映射之后，依次对其余虚拟节点执行节点映射操作；其中，所述其余虚拟节点为所述排序后的虚拟网络中除第一虚拟节点以外的其他虚拟节点；

在所述排序后的虚拟网络中所有虚拟节点完成映射之后，执行链路映射。

7.根据权利要求1所述的方法，其特征在于，所述映射请求包括虚拟网络的属性信息，所述虚拟网络的属性信息包括虚拟节点的个数、虚拟节点之间相连的概率、虚拟节点CPU容量的分布区间、虚拟链路宽带的分布区间和虚拟请求到达时间中的一个或多个，所述物理网络的属性信息包括物理节点的个数、物理链路的个数、物理节点CPU容量的分布区间和物理链路宽带的分布区间中的一个或多个。

8.一种基于图卷积网络的虚拟网络映射装置，其特征在于，包括：

第一获取单元，用于获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；

第一输入单元，用于将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；

映射单元，用于基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；

确定单元，用于若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。

9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行如权利要求1至7任一项所述的方法。

Images