CN112887156A - 一种基于深度强化学习的动态虚拟网络功能编排方法 - Google Patents

一种基于深度强化学习的动态虚拟网络功能编排方法 Download PDF

Info

Publication number
CN112887156A
CN112887156A CN202110204246.0A CN202110204246A CN112887156A CN 112887156 A CN112887156 A CN 112887156A CN 202110204246 A CN202110204246 A CN 202110204246A CN 112887156 A CN112887156 A CN 112887156A
Authority
CN
China
Prior art keywords
vnf
network
cost
physical
dynamic
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.)
Granted
Application number
CN202110204246.0A
Other languages
English (en)
Other versions
CN112887156B (zh
Inventor
唐伦
张亚
唐浩
陈前斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110204246.0A priority Critical patent/CN112887156B/zh
Publication of CN112887156A publication Critical patent/CN112887156A/zh
Application granted granted Critical
Publication of CN112887156B publication Critical patent/CN112887156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • 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

Abstract

本发明涉及一种基于深度强化学习的动态虚拟网络功能编排方法，属于无线通信领域。该方法包括：针对物理网络拓扑动态变化引起的VNF编排成本高的问题，建立时延约束下的最小化VNF编排的资源成本和运行成本的数学模型；根据网络拓扑动态变化和VNF动态变化，建立MDP模型，且通过深度Q网络来求解MDP；针对MDP模型中状态空间和动作空间过大和网络负载动态变化的问题，设计动态最优的VNF编排策略以解决VNF编排成本高的问题。本发明在保证用户时延性能的前提下，受限于网络中计算资源容量和链路带宽资源容量，动态的调整各网络切片VNF的编排策略，保证了用户性能，优化VNF编排成本，提高资源利用率。

Description

一种基于深度强化学习的动态虚拟网络功能编排方法
技术领域
本发明属于无线通信领域，涉及一种基于深度强化学习的动态虚拟网络功能编排方法。
背景技术
对于网络服务提供商来说，以一种经济、绿色高效的方式为用户提供服务是一个常见的痛点，因为在硬件级别部署服务时需要较多的时间、成本并且会消耗更多的资源。对定制硬件的依赖严重阻碍了现代通信产业的发展，现代网络产业高度要求轻量级服务提供方法，以促进网络创新和推动长期支出削减，而网络功能虚拟化(Network FunctionVirtualization,NFV)技术的出现将成为解决上述问题的关键。网络功能虚拟化是指将网络功能(如防火墙、路由器等)从硬件中剥离出来，并将其“软件化”到通用服务器上，作为云计算基础设施中按需的虚拟网络功能(Virtual Network Function,VNF)。NFV支持以更可伸缩和更灵活的方式分配网络资源，为网络功能提供更有效和灵活的管理和运行机制，从而可以显著降低网络服务提供商的资本支出和运营成本。尽管可以利用VNF技术灵活的分配资源，但是VNF的编排却存在挑战。
尽管已经有学者对VNF的编排展开研究，但解决VNF资源分配问题的最流行方法之一是基于阈值的资源分配策略，如果网络条件达到某些预定义的阈值，则可以添加或删除资源，尽管这为动态资源分配提供了一种简单且可扩展的解决方案，但是基于阈值的标准往往会过度配置和未充分利用网络设备，从而对基础设施提供商带来高昂的成本。另外，现有的大多数优化方法是启发式的，然而，实际网络已经变得更加复杂且动态变化，此外，这些启发式的解决方法严重依赖先验知识，并且通常以离线的方式进行设计，牺牲了网络功能虚拟化和软件定义网络(Software Defined Network,SDN)的灵活性。并且，一些研究还忽略到端到端时延，尤其是处理时延，但这是服务等级协议(Service Level Agreement,SLA)中最重要的指标之一。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度强化学习的动态虚拟网络功能编排方法，根据物理网络拓扑动态变化，在保证用户时延性能的前提下，受限于网络中计算资源容量和链路带宽资源容量，动态的调整各网络切片VNF的编排策略，保证用户性能，优化VNF编排成本，提高资源利用率。
为达到上述目的，本发明提供如下技术方案：
一种基于深度强化学习的动态虚拟网络功能编排方法，具体包括以下步骤：
S1：针对物理网络拓扑动态变化引起的虚拟网络功能(Virtual NetworkFunctional,VNF)编排成本高的问题，建立时延约束下的最小化VNF编排的资源成本和运行成本的数学模型；
S2：根据网络拓扑动态变化和VNF动态变化，建立MDP模型；
S3：针对MDP模型中状态空间和动作空间过大和网络负载动态变化的问题，设计动态最优的VNF编排策略以解决VNF编排成本高的问题。
进一步，步骤S1中，动态VNF编排的网络模型为：物理基础设施网络用无向图G＝(N,L)表示，其中N和L分别代表整个基础设施网络的物理节点集合和链路集合；Cn表示为物理节点n的计算容量，Bl为链路l的带宽容量，l.head和l.tail代表连接链路l的两个相邻物理节点；
设网络中切片的集合为K，一个网络切片中通常包含多个用户业务请求，令Uk表示网络切片k中的用户业务请求集合，此外，令
Figure BDA0002949213440000021
表示网络切片k中的用户u的最大容忍时延，切片k中的用户u对应的所有VNF集合为
Figure BDA0002949213440000022
本模型中将系统的时间维度分为若干个时隙，用
Figure BDA0002949213440000023
表示。
进一步，步骤S1中，VNF的编排包括以下两个阶段：
第一阶段：确定将VNF和VNF间的虚拟链路映射在哪个物理节点和物理链路上；
令
Figure BDA0002949213440000024
表示时隙t网络切片k中的用户uVNFj映射在物理节点上的动作，其中j∈Fu,k；
Figure BDA0002949213440000025
表示时隙tVNFj映射在物理节点n上；
Figure BDA0002949213440000026
表示时隙tVNFj是利用物理链路l向下一个VNF传输业务流的动作，
Figure BDA0002949213440000027
表示VNFj是利用物理链路l传输数据；
第二阶段：根据每个切片的VNF映射结果为其分配资源，包括为映射在物理节点上的VNF分配计算资源和映射在物理链路上的虚拟链路分配链路带宽资源；用户在时隙t的计算资源分配策略可以表示为
Figure BDA0002949213440000028
带宽资源分配策略可以表示为
Figure BDA0002949213440000029
进一步，步骤S1中，VNF编排成本由资源成本Cres(t)和运行成本Crun(t)构成，即：
C(t)＝η1Cres(t)+η2Crun(t)
其中，η1,η2分别为资源成本和运行成本的权重；
资源成本Cres(t)主要由计算资源成本Cr,c(t)和带宽资源成本Cr,b(t)构成，即：
Cres(t)＝Cr,c(t)+Cr,b(t)
另一方面涉及时延性能指标，考虑传输时延和处理时延，得到端到端时延为：
Figure BDA0002949213440000031
其中，
Figure BDA0002949213440000032
为传输时延，
Figure BDA0002949213440000033
为处理时延；
所以VNF编排的优化目标是联合优化资源成本和运行成本，优化目标为：
Figure BDA0002949213440000034
其中，E[·]表示求期望。
进一步，步骤S2中，建立的MDP模型为：状态空间为
Figure BDA0002949213440000035
定义为
Figure BDA0002949213440000036
是网络拓扑的状态空间，当物理节点处于工作状态时
Figure BDA0002949213440000037
反之
Figure BDA0002949213440000038
则分别表示当前网络中物理节点可用计算资源量和物理链路可用带宽资源量的状态空间。状态空间定义为
Figure BDA0002949213440000039
为计算资源分配动作空间，
Figure BDA00029492134400000310
是切片k中的用户u的计算资源分配动作空间，
Figure BDA00029492134400000311
表示网络中所有用户的链路资源分配动作空间，
Figure BDA00029492134400000312
为切片k中的用户u的链路资源分配动作空间。在系统状态为s(t)下，采取动作a(t)后，系统会获得一个即刻奖励R(s(t),a(t))＝-C(t)并转移到系统状态s(t+1)，设此状态转移概率为Pr(s(t),a(t),s(t+1))。
进一步，步骤S3中，为了适用网络拓扑动态变化和节点负载动态变化，采用结合了神经网络的深度Q网络(Deep Q Network,DQN)来解决本方法建立的MDP模型，以获得的最优VNF编排策略，保证了用户性能，优化VNF编排成本，提高资源利用率。
由最优状态-动作值函数Q*(s,a)得出时隙t的最优VNF编排策略π*(s|a)为：
Figure BDA00029492134400000313
其中，s'表示状态s的下一个状态，a'表示s'下采取的动作，γ表示折扣因子，策略π是从状态到可能执行的动作的概率的映射，具体可以表示为在状态
Figure BDA00029492134400000314
π(a|s)为动作
Figure BDA00029492134400000315
的一个概率分布。
本发明的有益效果在于：本发明针对物理网络拓扑动态变化的VNF编排，在保证用户时延性能的前提下，综合考虑了网络中计算资源容量和链路带宽资源容量，动态调整VNF的编排策略，保证用户性能，优化VNF编排成本和提高资源利用率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为可应用本发明场景示意图；
图2为本发明基于神经网络的VNF编排决策示意图；
图3为本发明基于深度强化学习的动态虚拟网络功能编排方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了一种基于深度强化学习的动态虚拟网络功能编排方法，包括以下步骤：
S1：针对物理网络拓扑动态变化引起的VNF编排成本高的问题，建立时延约束下的最小化VNF编排的资源成本和运行成本的数学模型。
其中，动态VNF编排的网络模型为：物理基础设施网络用无向图G＝(N,L)表示，N和L分别代表整个基础设施网络的物理节点集合和链路集合。Cn表示为基础设施节点n的计算容量，Bl为链路l的带宽容量，l.head和l.tail代表连接链路l的两个相邻物理节点。
设网络中切片的集合为K，一个网络切片中通常包含多个用户业务请求，令Uk表示网络切片k中的用户业务请求集合，此外，令
Figure BDA0002949213440000051
表示网络切片k中的用户u的最大容忍时延，切片k中的用户u对应的所有VNF集合为Fu,k。
VNF的编排包括以下两个阶段：第一阶段是确定将VNF和VNF间的虚拟链路映射在哪个物理节点和物理链路上。
Figure BDA0002949213440000052
表示时隙t网络切片k中的用户uVNFj(j∈Fu,k)映射在物理节点上的动作，
Figure BDA0002949213440000053
表示时隙tVNFj映射在物理节点n上。
Figure BDA0002949213440000054
表示时隙tVNFj是利用物理链路l向下一个VNF传输业务流的动作，
Figure BDA0002949213440000055
表示VNFj是利用物理链路l传输数据。第二阶段是根据每个切片的VNF映射结果为其分配资源，包括为映射在物理节点上的VNF分配计算资源和映射在物理链路上的虚拟链路分配链路带宽资源。用户在时隙t的计算资源分配策略可以表示为
Figure BDA0002949213440000056
带宽资源分配策略可以表示为
Figure BDA0002949213440000057
VNF编排成本由资源成本Cres(t)和运行成本Crun(t)构成，其中时延包含传输时延和处理时延，所以所述的VNF编排的优化目标是联合优化资源成本和运行成本为：
Figure BDA0002949213440000058
S2：根据网络拓扑动态变化和VNF动态到达，建立MDP模型。
其中，建立的MDP模型为：状态空间为
Figure BDA0002949213440000059
定义为
Figure BDA00029492134400000510
Figure BDA00029492134400000511
是网络拓扑的状态空间，当物理节点处于工作状态时
Figure BDA00029492134400000512
反之
Figure BDA00029492134400000513
则分别表示当前网络中物理节点可用计算资源量和物理链路可用带宽资源量的状态空间。状态空间定义为
Figure BDA00029492134400000514
为计算资源分配动作空间，
Figure BDA00029492134400000515
是切片k中的用户u的计算资源分配动作空间，
Figure BDA00029492134400000516
表示网络中所有用户的链路资源分配动作空间，
Figure BDA00029492134400000517
为切片k中的用户u的链路资源分配动作空间。在系统状态为s(t)下，采取动作a(t)后，系统会获得一个即刻奖励R(s(t),a(t))＝-C(t)并转移到系统状态s(t+1)，设此状态转移概率为Pr(s(t),a(t),s(t+1))。
S3：针对MDP中状态空间和动作空间过大，网络负载动态变化，设计动态最优的VNF编排方法以解决VNF编排成本高的问题。
为了适用网络拓扑动态变化和节点负载动态变化，采用结合了DQN网络来解决本发明建立的MDP，以获得的最优VNF编排策略，保证了用户性能，优化VNF编排成本，提高资源利用率。
图1是本发明实施例的场景示意图。根据网络中可用的物理资源，利用网络功能虚拟化技术将基础设施硬件“软件化”为灵活的、高效的虚拟网络功能。且根据不同用户的业务请求和网络中可用的资源，灵活的进行VNF的编排。
图2是本发明基于神经网络的VNF编排决策示意图。根据当前网络环境状态s(t)，智能体根据策略π(s,a)执行VNF映射与资源分配动作a(t)，而后，系统会获得一个由当前策略执行后的资源成本Cres(t)和节点运行成本Crun(t)，构成VNF的编排成本C(t)＝η1Cres(t)+η2Crun(t)，从而获得对应的奖励R(s(t),a(t))＝-C(t)。
图3是本发明中基于深度强化学习的动态虚拟网络功能编排方法流程图，步骤如下：
步骤301：生成基础物理网络环境，物理节点的计算资源和链路带宽资源随机分配给物理网络中的物理节点和物理链路上，同时生成不同性能的网络切片；
步骤302：初始化预测网络Q(s,a)权重参数θ，对于目标网络θ-＝θ。
步骤303：初始化经验池D，初始化ε-greedy策略。
步骤304：随机选择Si＝(si-ζ,...,si-1,si)初始化作为神经网络的输入，常数ζ是一个正整数，si表示时刻i的系统状态，根据ε-greedy策略选择动作ai。
步骤305：执行动作ai后获得奖励回报R(si,ai)，并观察下一个状态si+1。
步骤306：将上述数据ei＝(si,ai,R(si,ai),si+1)存入经验池D中。
步骤307：从经验池D中随机抽取一批经验数据
Figure BDA0002949213440000064
步骤308：利用从经验池中抽取的样本数据，预测网络中计算状态-动作值函数Q(s,a；θ)，计算目标网络的值
Figure BDA0002949213440000061
步骤309：从而计算损失函数：
Figure BDA0002949213440000062
步骤310：利用损失函数L(θ)更新预测网络权重参数
Figure BDA0002949213440000063
步骤311：每隔Z步更新目标网络，θ-＝θ。
步骤312：从目标网络的输出中选择优化的VNF编排策略：
Figure BDA0002949213440000071
步骤313：根据优化策略π*(s|a)动态调整VNF的物理节点计算资源、物理链路带宽资源分配。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度强化学习的动态虚拟网络功能编排方法，其特征在于，该方法具体包括以下步骤：
S1：针对物理网络拓扑动态变化引起的VNF编排成本高的问题，建立时延约束下的最小化VNF编排的资源成本和运行成本的数学模型；
S2：根据网络拓扑动态变化和VNF动态变化，建立MDP模型；
S3：针对MDP模型中状态空间和动作空间过大和网络负载动态变化的问题，设计动态最优的VNF编排策略以解决VNF编排成本高的问题。
2.根据权利要求1所述的动态虚拟网络功能编排方法，其特征在于，步骤S1中，动态VNF编排的网络模型为：
物理基础设施网络用无向图G＝(N,L)表示，其中N和L分别代表整个基础设施网络的物理节点集合和链路集合；
设网络中切片的集合为K，一个网络切片中通常包含多个用户业务请求，令Uk表示网络切片k中的用户业务请求集合，此外，令
Figure FDA0002949213430000011
表示网络切片k中的用户u的最大容忍时延，切片k中的用户u对应的所有VNF集合为Fu,k，本模型中将系统的时间维度分为若干个时隙，用
Figure FDA0002949213430000012
表示。
3.根据权利要求2所述的动态虚拟网络功能编排方法，其特征在于，步骤S1中，VNF的编排包括以下两个阶段：
第一阶段：确定将VNF和VNF间的虚拟链路映射在哪个物理节点和物理链路上；
令
Figure FDA0002949213430000013
表示时隙t网络切片k中的用户uVNFj映射在物理节点上的动作，其中j∈Fu,k；
Figure FDA0002949213430000014
表示时隙tVNFj映射在物理节点n上；
Figure FDA0002949213430000015
表示时隙tVNFj是利用物理链路l向下一个VNF传输业务流的动作，
Figure FDA0002949213430000016
表示VNFj是利用物理链路l传输数据；
第二阶段：根据每个切片的VNF映射结果为其分配资源，包括为映射在物理节点上的VNF分配计算资源和映射在物理链路上的虚拟链路分配链路带宽资源；用户在时隙t的计算资源分配策略表示为
Figure FDA0002949213430000017
带宽资源分配策略表示为
Figure FDA0002949213430000018
4.根据权利要求3所述的动态虚拟网络功能编排方法，其特征在于，步骤S1中，VNF编排成本由资源成本Cres(t)和运行成本Crun(t)构成，即：
C(t)＝η1Cres(t)+η2Crun(t)
其中，η1,η2分别为资源成本和运行成本的权重；
资源成本Cres(t)由计算资源成本Cr,c(t)和带宽资源成本Cr,b(t)构成，即：
Cres(t)＝Cr，c(t)+Cr，b(t)
另一方面涉及时延性能指标，考虑传输时延和处理时延，得到端到端时延为：
Figure FDA0002949213430000021
其中，
Figure FDA0002949213430000022
为传输时延，
Figure FDA0002949213430000023
为处理时延；
所以VNF编排的优化目标是联合优化资源成本和运行成本，优化目标为：
Figure FDA0002949213430000024
其中，E[·]是求期望。
5.根据权利要求4所述的动态虚拟网络功能编排方法，其特征在于，步骤S2中，建立的MDP模型为：将基础设施网络的拓扑状态ψ和网络中物理节点可用计算资源量和物理链路可用带宽资源量C,B作为状态空间
Figure FDA0002949213430000025
即S＝(ψ,C,B)；将VNF编排过程作为动作空间
Figure FDA0002949213430000026
Figure FDA0002949213430000027
Figure FDA0002949213430000028
为计算资源分配动作空间，
Figure FDA0002949213430000029
表示网络中所有用户的链路资源分配动作空间；系统状态为s(t)下，采取动作a(t)后，系统会获得一个即刻奖励R(s(t),a(t))并转移到系统状态s(t+1)，设此状态转移概率为Pr(s(t),a(t),s(t+1))。
6.根据权利要求5所述的动态虚拟网络功能编排方法，其特征在于，采用深度Q网络来求解MDP模型。
7.根据权利要求5所述的动态虚拟网络功能编排方法，其特征在于，步骤S3中，由最优状态-动作值函数Q*(s,a)得出时隙t的最优VNF编排策略π*(s|a)为：
Figure FDA00029492134300000210
其中，s'表示状态s的下一个状态，a'表示s'下采取的动作，γ表示折扣因子，策略π是从状态到可能执行的动作的概率的映射，具体表示为在状态
Figure FDA00029492134300000211
π(a|s)为动作
Figure FDA00029492134300000212
的一个概率分布。
CN202110204246.0A 2021-02-23 2021-02-23 一种基于深度强化学习的动态虚拟网络功能编排方法 Active CN112887156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110204246.0A CN112887156B (zh) 2021-02-23 2021-02-23 一种基于深度强化学习的动态虚拟网络功能编排方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110204246.0A CN112887156B (zh) 2021-02-23 2021-02-23 一种基于深度强化学习的动态虚拟网络功能编排方法

Publications (2)

Publication Number Publication Date
CN112887156A true CN112887156A (zh) 2021-06-01
CN112887156B CN112887156B (zh) 2022-05-06

Family

ID=76054210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110204246.0A Active CN112887156B (zh) 2021-02-23 2021-02-23 一种基于深度强化学习的动态虚拟网络功能编排方法

Country Status (1)

Country Link
CN (1) CN112887156B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114051272A (zh) * 2021-10-30 2022-02-15 西南电子技术研究所（中国电子科技集团公司第十研究所） 动态拓扑网络智能路由方法
CN114172820A (zh) * 2021-11-26 2022-03-11 广东技术师范大学 跨域sfc动态部署方法、装置、计算机设备及存储介质
CN114531731A (zh) * 2021-12-20 2022-05-24 国网江苏省电力有限公司电力科学研究院 一种虚拟化无线传感器网络的能耗与时延优化方法
CN116436730A (zh) * 2023-06-13 2023-07-14 泰雷兹数字科技(北京)有限公司 基于云计算服务的虚拟网络映射方法及映射系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108111335A (zh) * 2017-12-04 2018-06-01 华中科技大学 一种调度和链接虚拟网络功能的方法及系统
CN110022230A (zh) * 2019-03-14 2019-07-16 北京邮电大学 基于深度强化学习的服务链并行部署方法及装置
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
CN110505099A (zh) * 2019-08-28 2019-11-26 重庆邮电大学 一种基于迁移a-c学习的服务功能链部署方法
US20200034061A1 (en) * 2019-09-27 2020-01-30 Intel Corporation Dynamically changing between latency-focused read operation and bandwidth-focused read operation
US20200356834A1 (en) * 2020-07-27 2020-11-12 Zhu ZHOU Hierarchical reinforcement learning algorithm for nfv server power management
US20200401936A1 (en) * 2019-06-20 2020-12-24 Vmware, Inc. Self-aware service assurance in a 5g telco network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108111335A (zh) * 2017-12-04 2018-06-01 华中科技大学 一种调度和链接虚拟网络功能的方法及系统
CN110022230A (zh) * 2019-03-14 2019-07-16 北京邮电大学 基于深度强化学习的服务链并行部署方法及装置
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
US20200401936A1 (en) * 2019-06-20 2020-12-24 Vmware, Inc. Self-aware service assurance in a 5g telco network
CN110505099A (zh) * 2019-08-28 2019-11-26 重庆邮电大学 一种基于迁移a-c学习的服务功能链部署方法
US20200034061A1 (en) * 2019-09-27 2020-01-30 Intel Corporation Dynamically changing between latency-focused read operation and bandwidth-focused read operation
US20200356834A1 (en) * 2020-07-27 2020-11-12 Zhu ZHOU Hierarchical reinforcement learning algorithm for nfv server power management

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YOUXIAO YANG,QIANBIN CHEN: "The Stochastic-Learning-Based Deployment Scheme for Service Function Chain in Access Network", 《IEEE ACCESS》 *
唐伦，杨恒: "基于5G接入网的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法", 《电子与信息学报》 *
贺小雨: "面向时延优化的网络切片智能资源管理算法研究", 《中国优秀硕士学位论文数据库》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114051272A (zh) * 2021-10-30 2022-02-15 西南电子技术研究所（中国电子科技集团公司第十研究所） 动态拓扑网络智能路由方法
CN114172820A (zh) * 2021-11-26 2022-03-11 广东技术师范大学 跨域sfc动态部署方法、装置、计算机设备及存储介质
CN114172820B (zh) * 2021-11-26 2024-03-05 广东技术师范大学 跨域sfc动态部署方法、装置、计算机设备及存储介质
CN114531731A (zh) * 2021-12-20 2022-05-24 国网江苏省电力有限公司电力科学研究院 一种虚拟化无线传感器网络的能耗与时延优化方法
CN114531731B (zh) * 2021-12-20 2024-03-26 国网江苏省电力有限公司电力科学研究院 一种虚拟化无线传感器网络的能耗与时延优化方法
CN116436730A (zh) * 2023-06-13 2023-07-14 泰雷兹数字科技(北京)有限公司 基于云计算服务的虚拟网络映射方法及映射系统
CN116436730B (zh) * 2023-06-13 2023-09-29 中软国际科技服务有限公司 基于云计算服务的虚拟网络映射方法及映射系统

Also Published As

Publication number Publication date
CN112887156B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN112887156B (zh) 一种基于深度强化学习的动态虚拟网络功能编排方法
US11153229B2 (en) Autonomic resource partitions for adaptive networks
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN113315700B (zh) 算力资源调度方法、装置和存储介质
CN107534583B (zh) 在管理节点中实现的方法和相关装置
Jiang et al. Self-adaptive resource allocation for energy-aware virtual machine placement in dynamic computing cloud
CN111475252B (zh) 一种基于深度强化学习的虚拟网络功能部署优化方法
EP2515478B1 (en) Method, apparatus and system for joint optimizations
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
CN107846371B (zh) 一种多媒体业务QoE资源分配方法
Blenk et al. NeuroViNE: A neural preprocessor for your virtual network embedding algorithm
WO2023024219A1 (zh) 云边协同网络中时延和频谱占用联合优化方法及系统
CN113708972A (zh) 一种服务功能链部署方法、装置、电子设备及存储介质
Kim et al. Multi-agent reinforcement learning-based resource management for end-to-end network slicing
CN105103506A (zh) 用于为云计算网络中的非均匀带宽请求分配带宽的方法和系统
CN110519370B (zh) 一种基于设施选址问题的边缘计算资源分配方法
WO2023039965A1 (zh) 流量疏导的云边计算网络计算资源均衡调度方法及系统
CN113342409A (zh) 多接入边缘计算系统时延敏感型任务卸载决策方法及系统
Liu et al. Resource allocation for video transcoding and delivery based on mobile edge computing and blockchain
Yao et al. Forecasting assisted VNF scaling in NFV-enabled networks
CN113490279B (zh) 一种网络切片配置方法及装置
Zhu et al. Double-agent reinforced vNFC deployment in EONs for cloud-edge computing
Yuan et al. Virtual network function scheduling via multilayer encoding genetic algorithm with distributed bandwidth allocation
Gomes et al. A combined energy-bandwidth approach to allocate resilient virtual software defined networks
Li et al. Optimal service selection and placement based on popularity and server load in multi-access edge computing

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