CN113098707B - 边缘网络中一种虚拟网络功能需求预测方法 - Google Patents

Abstract

本发明涉及边缘计算与物联网技术领域，具体涉及边缘网络中一种虚拟网络功能需求预测方法，包括：获取数据，并进行数据预处理，得到预处理后的数据；获取的数据包括不同区域内的电信活动数据集，主要包含短信服务数据、通话数据以及互联网数据，具体是指短信服务数据、通话服务数据以及互联网服务数据；将预处理后的数据输入到训练好的组合预测模型中，得到预测结果，预测结果为预测的网络服务请求数量；根据预测结果分析边缘节点资源足够和边缘资源不足时的VNF需求，确认VNF的数量。本发明将SVR和GRU两种模型结合以提高VNF需求预测准确率，实现边缘网络中VNF的提前放置。

Description

边缘网络中一种虚拟网络功能需求预测方法

技术领域

本发明涉及边缘计算与物联网技术领域，具体涉及边缘网络中一种虚拟网络功能需求预测方法。

背景技术

万物互联时代，边缘计算和网络功能虚拟化等技术迅速发展，使得大量的边缘智能终端设备以及相关网络业务涌现，同时也促进了网络逐步向智能化和虚拟化的方式转变，旨在通过NFV/SDN等技术实现软件和硬件的解耦，以解决当前网络布局复杂、僵化的问题，提高网络的敏捷性和扩展性。且随着“边缘智能”、“智慧城市”等的逐步推动，愈来愈多的网络业务迁移至网络边缘，利用边缘基础设施虚拟化的计算、存储和网络资源就近进行处理，降低计算时延，从而为终端用户提供更加优质的服务。

边缘计算模式的出现将计算、存储和网络资源下沉到网络边缘，采用网络、计算、存储、应用核心能力为一体的开放平台，强调就近处理数据，从而减少系统反应时间、节省带宽，以满足在实时业务、应用智能、安全与隐私保护等方面的基本需求。灵活的边缘架构与NFV能够很好的契合，NFV提升业务的响应速度和扩展性，并能优化成本；通过网络功能虚拟化(NFV)，网络运营商能发掘其宽带优势，部署全面可管理的、分布式的云的框架，该框架将最大化的发挥虚拟化优势。

为降低系统成本、端到端延迟等，5G无线接入网(RAN)将走向开放，让运营商获得自主可控权。核心网接入网(CRAN)是承载和汇聚各种网络业务的重要区域，传统的汇聚层及接入层网络中，各类功能设备由各个设备独立实现，如(BRAS、SR等)，随着物联网、智能家居等新型服务带来的网络架构的变化，导致边缘网络接入的终端和业务类型不断丰富，且存在强大的差异性、独立性等问题，此外，近些年来由于互联网络和网络应用的发展，使得如今网络具有更大的带宽和存储容量，但是包括移动应用、在线交互或者交易等新业务模型的激增，对于业务延迟的需求越来越高，而SDN/NFV是解决这些问题的一种方案，通过在CRAN引入网络功能虚拟化等技术，让CRAN更加可靠、智能及开放。

随着互联网的高速发展，用户对网络资源的需求持续增加，因此精确规划网络资源使用已成为运营商的首要任务。网络流量预测技术可以帮助运营商准确预估网络的使用情况，合理分配并高效利用网络资源。由于边缘实时网络业务流量的突发性、长相关性等特点，传统的如自回归(AR)、移动平均(MA)以及自回归移动平均模型(ARMA)等线性预测模型虽然在计算复杂度上较低，但是不能够准确反映边缘真实网络业务非线性的特点，在预测精度上不如非线性预测模型。在非线性方法中，以往研究并未考虑边缘网络与核心网络服务流量特点的差别、预测模型复杂度高以及边缘网络资源的限制等问题，因此，在核心网络中的流量预测方法并不适用于边缘网络，且单一的机器学习模型并不能完全刻画出边缘网络中服务数据特征。

发明内容

为了上述当前VNF需求预测方法准确率较低且不适用于边缘网络的问题，本发明提供一种边缘网络中基于支持向量回归SVR与门控循环单元神经网络GRU的VNF需求预测方法，针对边缘资源充足和边缘资源不足两种情况分别设置VNF的放置数量和位置。

边缘网络中一种虚拟网络功能需求预测方法，包括以下步骤：

S1、获取数据，并进行数据预处理，得到预处理后的数据；

获取的数据包括不同区域内的电信活动数据集，主要包含短信服务数据、通话数据以及互联网数据，具体是指短信服务数据、通话服务数据以及互联网服务数据；

S2、将预处理后的数据输入到训练好的组合预测模型中，得到预测结果，预测结果为预测的网络服务请求数量；

S3、根据预测结果分析边缘节点资源足够和边缘资源不足时的VNF需求，确认VNF的数量。

进一步的，步骤S2中，所述组合预测模型为SVR模型和GRU模型的组合模型，组合预测模型的表达式如下：

F_S-G＝α_i*F_S+α_j*F_G

其中，F_S表示支持向量回归模型的预测结果，F_G表示门控循环神经网络的预测结果，F_S-G表示SVR-GRU模型预测结果，α_i，α_j分别为SVR模型和GRU模型的权重，且满足：

进一步的，组合预测模型的训练过程包括：

S21、将预处理后的数据分为两部分，一部分作为支持向量回归SVR的训练和测试数据；另一部分作为门控循环神经网络GRU的训练和测试数据，将两部分数据输入到组合预测模型；

S22、设置SVR的内核函数类型为rbf，迭代1000次，步长设置为6，即每次利用前6个数据进行下一个数据的预测，训练和测试的数据比例为3:1，训练完成之后，保存训练完成的SVR模型；

S23、设置GRU的网络为4层，步长为6，训练数据和测试数据比例也为3:1，迭代次数为1000次，训练完成后，同样保存训练完成的GRU模型；

S24、从预处理后的数据中，随机选取12组数据，每组144个数据，作为SVR模型和GRU模型权重确定的数据，将每一组数据分别输入保存的训练完成的SVR模型和GRU模型中进行预测，得到预测结果，并计算每种模型预测的误差平方，再通过方差倒数法确定SVR模型和GRU模型的权重，最后取12组权重的均值作为组合预测模型的权重，从而得到训练好的组合预测模型。

进一步的，通过方差倒数法确定SVR模型和GRU模型的权重，确定方式如下：

其中，α_SVR表示SVR模型的权重，α_GRU表示GRU模型的权重，N表示测试数据组的数量，α_i表示由单组测试数据计算的SVR模型权重，α_j表示由单组测试数据计算的GRU模型权重。

进一步的，步骤S3中，在边缘节点资源足够时确认VNF的数量，VNF的数量包括：

其中，v_i表示类型为i的VNF需求量，R_i表示类型为i的VNF在某段时间内要处理的请求数量，h_i表示类型为i的VNF单位时间内处理请求的数量，m表示通过SVR-GRU模型预测出的m种网络服务，s_k表示通过SVR-GRU模型预测出的第k种网络服务需要处理的请求量，V_i表示类型为i的VNF，n表示m种网络业务服务所包含的VNF类型集合的数量。

进一步的，步骤S3中，在边缘资源不足时确认VNF的数量，VNF的数量包括：

其中，

表示当前边缘节点需要部署的不同VNF的数量，

表示类型为i的VNF在某段时间内要处理的请求数量，

表示类型为i的VNF单位时间内处理请求的数量，

表示通过SVR-GRU模型预测出的第k种网络服务需要处理的请求量，

表示第k种网络服务的VNF类型集合，m表示通过SVR-GRU模型预测出的m种网络服务，n表示m种网络业务服务所包含的VNF类型集合的数量。

有益效果：

1.考虑到网络边缘流量具有突发性、自相似性及长相关性等特点，本发明将支持向量回归SVR与门控循环单元神经网络GRU两种模型结合，利用计算复杂度较低的SVR模型和GRU模型分别提取网络服务历史时序数据的短期特征和长期特征，以提高VNF需求预测准确率，实现边缘网络中VNF的提前放置。

2.在边缘节点中，依据历史服务数据，通过构建一个预测模型，提取历史数据的相关特征，预测未来一段时间内的网络服务流量，进一步分析VNF的需求，确认VNF的数量，从而可以提前放置相应的VNF，实现VNF及网络服务的弹性部署，降低系统的成本，并提高资源利用率。

附图说明

下面结合附图和具体实施方式对本发明做进一步详细的说明。

图1为本实施例提供的一种系统模型图；

图2为本实施例提供的一种边缘资源不充足情况下的分流参数确定流程图；

图3表示VNF需求分析流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

当前，边缘的各类网络功能设备由各个设备独立实现，很难进行互相操作无法满足基于某种商业规则控制用户的各类业务，例如机顶盒(STB)、接入网关设备RGW和数据包深度监测(DPI)等，而边缘计算的兴起与网络功能虚拟化技术的迅速发展带来了一系列的改革，网络运营商借助NFV技术可以在在网络边缘放置不同类型的VNF，为用户提供相关的网络服务，以在降低系统成本的同时，可以提供高效的服务质量,其中VNF是以软件的方式实现以往运行在专有硬件设备上的网络功能实例。但是，在网络边缘实例化各种VNF是需要时间的，且放置相应VNF实例的数量是非常重要的，放置过多的VNF实例会造成系统资源的浪费，增加成本，而放置的VNF实例过少时，会导致用户任务计算时延增大，降低用户的服务体验质量。为实现VNF的提前放置以及可伸缩，本实施例提供边缘网络中一种虚拟网络功能需求预测方法，该方法基于支持向量回归SVR与门控循环单元神经网络GRU实现，本实施例提供如图1所示的系统模型来实现该方法，该系统模型包括：虚拟化资源池、VNF需求预测模型以及历史服务数据。在网络功能虚拟化(NFV)的架构中，边缘器节点中的计算、存储和网络资源被统一为虚拟化资源池，供虚拟网络功能(VNF)使用,利用VNF需求预测模型通过使用历史服务数据，预测未来一段时间内VNF需要处理的网络请求数量，依据预测模型预测的请求数量，进一步分析所需要的VNF类型和数量，利用分析的结果为VNF分配相应的资源。

边缘网络中一种虚拟网络功能需求预测方法，包括但不限于以下步骤：

S1、获取数据，并对数据进行预处理：将服务历史数据进行一定的处理，作为预测模型的输入。

获取的数据包括不同区域内的电信活动数据集，主要包含短信服务数据、通话数据以及互联网数据，具体是指短信服务数据、通话服务数据以及互联网服务数据。

在一种优选实施方式中，模型训练的数据集来自意大利米兰市公开电信数据集，该数据集收集了从2013年11月1日到2014年1月1日的两个月内的有关米兰市和特伦蒂诺省电信活动的数据，数据是经过一定缩放处理的。将采集数据的地区分为若干个子区域，针对每个子区域，每隔十分钟采集一次数据，采集的数据主要包括短信服务(SMS)、通话服务(Tel)以及互联网服务(Net)数据，互联网服务数据为(互联网连接一定时间所产生的的呼叫详细记录(CDR)数据)。

数据预处理：由于区域内不同服务涉及与其他不同区域的交互，需要预先对某块子区域内的服务交互数据进行预处理。数据采集时间间隔10分钟，因此对于每种网络业务服务每天有24*6个数据，两周数据为24*6*14即2016个数据，则两个月有24*6*60即8640个数据。所述预处理具体包括：针对每个子区域，利用excel将记录的时间戳格式转为年、月、日、时和分的格式，将每种服务按照每十分钟间隔整合所记录的电信活动数据，每天整理的数据为144个，一共两个月时间。预处理后的数据格式为：

表1数据预处理格式

Tab.1 data preprocessing format

time	SMS	Tel	Net
				2013/11/1 7:00	2.287142	0.307141	10.16846
2013/11/1 7:10	1.900146	0.328327	11.86706
				2013/11/1 7:20	2.701179	0.438957	12.62764
2013/11/1 7:30	1.556455	0.263013	13.33294
				2013/11/1 7:40	1.693017	0.196996	13.9497
2013/11/1 7:50	1.71114	0.144949	16.75301
				2013/11/1 8:00	1.740627	0.188246	11.90908

分别对整理的数据集进行标准化处理，加快模型的收敛及最优解的寻优过程，标准化后的数据均值和方差均为常数，将标准化后的数据划分为模型的训练集数据与测试集数据，训练集数据与测试集数据的比例为3∶1。此外，随机选取12组数据(12*144个)作为SVR和GRU模型的输入数据，从而进一步依据方差并计算出不同测试数据得到的权重均值，确定模型的权重。

S2、根据SVR模型和GRU模型构建组合预测模型，并对组合预测模型进行训练；从预处理后的数据中随机选取12组数据(12*144个)作为SVR和GRU模型的输入数据，依据方差计算出不同测试数据得到的模型权重，进一步计算12组测试数据的权重均值，从而确定组合预测模型中SVR模型的权重和GRU模型的权重，得到训练好的组合预测模型。

具体地，组合预测模型的训练过程包括：

S21、将预处理后的数据分为两部分，一部分作为支持向量回归SVR的训练和测试数据，其中包括两周的数据集，共有144×14＝2016个数据，记为D_S；另一部分作为门控循环神经网络GRU的训练和测试数据，其中包括两个月的数据集，共有144×60＝8640个数据，记为D_L，将两部分数据输入到组合预测模型；

S22、设置SVR的内核函数类型为rbf，迭代1000次，步长设置为6，即每次利用前6个数据进行下一个数据的预测，训练和测试的数据比例为3:1，训练完成之后，保存训练完成的SVR模型；

S23、设置GRU的网络为4层，步长为6，训练数据和测试数据比例也为3:1，迭代次数为1000次，训练完成后，保存训练完成的GRU模型；

S24、从预处理好的数据中随机选取12组数据，每组144个数据，作为两种模型权重确定的数据。将每一组数据分别输入保存的训练完成的SVR模型和GRU模型中进行预测，每一组数据在一个模型中得到一个预测结果，计算每种模型预测的误差平方，再通过方差倒数法确定两种模型的权重，最后取12组权重的均值作为组合预测模型的权重，从而得到训练好的组合预测模型。

在边缘节点中通过构建一个组合预测模型，将历史服务数据D_S和D_L输入组合预测模型中，组合预测模型依据历史服务数据提取相关特征，预测未来一段时间内的网络服务流量。此外，通过分析VNF的需求，从而提前放置相应的VNF，实现VNF及网络服务的弹性部署，降低系统的成本，并提高资源利用率。

在本实施例中，组合预测模型为SVR模型和GRU模型的组合，又可以称为SVR-GRU组合模型，组合预测模型的表达式如下：

F_S-G＝α_i*F_S+α_j*F_G

其中，F_S表示支持向量回归的预测结果，F_G表示门控循环神经网络的预测结果，F_S-G表示SVR-GRU模型预测结果，α_i，α_j分别为SVR模型和GRU模型的权重，且满足

通过方差倒数法确定SVR模型和GRU模型的权重包括：根据不同模型预测精度的不同，采用方差倒数法(即误差平方和倒数法)确定相应模型的权重，某一模型的精度越高，则该模型在组合预测模型中所占有的权重越大，反之，越小。采用下式确定不同预测模型的权重：

其中，D_k为第k个模型预测值与真实值之间差值的平方，即第k个模型的误差平方和，K表示预测模型的数量。

根据上式，SVR模型与GRU模型的权重分别为：

其中，α_SVR表示SVR模型的权重，D_SVR表示SVR模型的误差平方和，即SVR模型预测值与真实值之间差值的平方，用公式表示为：

表示预测值，y(t)表示真实值；α_GRU表示GRU模型的权重，D_GRU表示GRU模型的误差平方和。

进一步的，在一种优选实施方式中，由于不同测试数据组计算出的权重会有差异，为避免单组测试数据组计算导致的偶然性，通过多组测试数据组计算出多组权重，然后再将多组权重的平均值作为最终SVR-GRU模型的权重，SVR-GRU模型的权重确定表达式如下：

其中，N表示测试数据组的数量，α_i表示由单组测试数据计算的SVR模型权重，α_j表示由单组测试数据计算的GRU模型权重。

组合预测模型的最终预测结果为未来一段时间内的网络服务流量，用均方根误差(Root Mean Squard Error，RMSE)表示，它表示误差的平方期望值，RMSE值越小则代表预测效果越好。SVR-GRU组合模型预测的均方根误差为：

其中，y(t)为实际值，

表示时刻t的预测值，未来n个时刻t的预测值之和为：

S3、VNF需求分析处理：通过SVR-GRU模型对边缘节点未来一段时间内不同网络服务需要处理的请求进行预测，为VNF需求分析提供相应的数据支撑。

不同的网络服务由不同VNF组合，也即由不同的VNF按照业务逻辑组合成不同的网络服务功能链(SFC)，且不同网络服务可能包含相同类型的VNF。因此，利用预测出的不同网络服务需要处理的请求，能够容易得出每种VNF需要处理的请求。

由于不同的虚拟网络功能(VNF)按照一定的逻辑业务顺序可以形成服务功能链，提供完整的服务，也即大多的网络服务是由多个VNF组成的，比如本发明中的互联网服务需要通过具有转发功能的VNF、防火墙等类型不同的网络功能。若集合S＝{s₁,s₂,…,s_m}为通过SVR-GRU模型预测出的m种网络服务需要处理的请求量，对于m种网络服务，每种网络服务由不同的VNF组成，组成每种网络服务的VNF类型集合为F_k＝{V_i,V_i+1,…,V_j}，假设m种网络业务服务所包含的VNF类型集合为V＝{V₁,V₂,…,V_n}，则每种VNF单位时间内处理请求的数量为h＝{h₁,h₂,…,h_n}，具体说明如图3所示。则每种VNF在某段时间内要处理的请求数量R_n为：

在一种实施例中，当边缘节点资源足够时，若v＝{v₁,v₂,…,v_n}为每种VNF的所需数量，则每种VNF需求量为：

其中，v_i表示类型为i的VNF需求量，R_i表示类型为i的VNF在某段时间内要处理的请求数量，h_i表示类型为i的VNF单位时间内处理请求的数量，m表示通过SVR-GRU模型预测出的m种网络服务，s_k表示通过SVR-GRU模型预测出的第k种网络服务需要处理的请求量，V_i表示类型为i的VNF，n表示m种网络业务服务所包含的VNF类型集合的数量。

由于网络业务服务中同类型的VNF可能是多个，与具体业务逻辑相关，可以进一步通过不同网络服务功能链中同种VNF数量占比进行计算，即：

其中，

表示网络服务k中需要放置的类型为n的VNF数量，

表示网络服务k中类型为n的VNF数量，v_n表示类型为n的VNF需求量。

利用相应的分析结果可以在边缘节点提前进行部署VNF，以降低系统成本，提高网络服务质量。

在另一种实施例中，当边缘资源不足时，即边缘节点上的计算、网络和存储资源不足以支撑其覆盖范围下的所有用户请求，则将部分VNF放置在周围其他边缘节点，以确保所有任务能够被及时处理。

假设一个边缘节点上可用资源为E_r，Z为所有VNF占用资源和，因此需要满足Z≤E_r。

首先，对m种网络服务按照时延要求从低到高进行排序，不同网络服务需要处理的请求重新排列为：

其中a₁,a₂,…,a_m的初始值都为1。

为组成每种网络服务的VNF类型集合，

为对应每种VNF实例所需的资源，每种VNF单位时间内处理请求的数量为

则此时每种VNF需求量为：

于是，可得到所有VNF占用的总资源Z为：

由于需要满足Z≤E_r，也即

可见，占用资源Z的值与

的值相关，而

是由模型预测得到的值，因此Z的值与a_k的取值有关。由于

是按照时延要求从低到高排列，于是a_k的取值按照索引从小到达依次取0，直至满足Z≤E_r。而a_k为0对应的网络服务任务就是需要分流至其他节点的网络服务任务。其中a_k值为0的且索引最大对应的网络服务分流多少可进一步精确，精确性与设置的N值相关。a₁,a₂,…,a_m的求解过程如图2所示。

求解得到a₁,a₂,…,a_m后，根据a₁,a₂,…,a_m的值计算当前边缘节点需要部署的不同VNF的数量。具体地，将a₁,a₂,…,a_m的值带入下式：

其中，

表示当前边缘节点需要部署的不同VNF的数量，

表示类型为i的VNF在某段时间内要处理的请求数量，

表示类型为i的VNF单位时间内处理请求的数量，

表示通过SVR-GRU模型预测出的第k种网络服务需要处理的请求量，

表示第k种网络服务的VNF类型集合，m表示通过SVR-GRU模型预测出的m种网络服务，n表示m种网络业务服务所包含的VNF类型集合的数量。

在资源有限、具有大量请求任务时，通过将部分对时延要求低的VNF放置在周围其他具有空闲资源的边缘节点，进而在短时间内完成更多的请求任务，降低时延，提升用户服务体验质量。

需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-0nly Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。

以上所述仅是本申请的具体实施方式，应当指出，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.边缘网络中一种虚拟网络功能需求预测方法，其特征在于，包括以下步骤：

S1、获取数据，并进行数据预处理，得到预处理后的数据；

获取的数据包括不同区域内的电信活动数据集，主要包含短信服务数据、通话数据以及互联网数据，具体是指短信服务数据、通话服务数据以及互联网服务数据；

S2、将预处理后的数据输入到训练好的组合预测模型中，得到预测结果，预测结果为预测的网络服务请求数量；

所述组合预测模型为SVR模型和GRU模型的组合模型，组合预测模型的表达式如下：

F_S-G＝α_i*F_S+α_j*F_G

其中，F_S表示支持向量回归模型的预测结果，F_G表示门控循环神经网络的预测结果，F_S-G表示SVR-GRU模型预测结果，α_i，α_j分别为SVR模型和GRU模型的权重，且满足：

S3、根据预测结果分析边缘节点资源足够和边缘资源不足时的VNF需求，确认VNF的数量。

2.根据权利要求1所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，组合预测模型的训练过程包括：

S21、将预处理后的数据分为两部分，一部分作为支持向量回归SVR的训练和测试数据；另一部分作为门控循环神经网络GRU的训练和测试数据，将两部分数据输入到组合预测模型；

S22、设置SVR的内核函数类型为rbf，迭代1000次，步长设置为6，即每次利用前6个数据进行下一个数据的预测，训练和测试的数据比例为3:1，训练完成之后，保存训练完成的SVR模型；

S23、设置GRU的网络为4层，步长为6，训练数据和测试数据比例也为3:1，迭代次数为1000次，训练完成后，同样保存训练完成的GRU模型；

S24、从预处理后的数据中，随机选取12组数据，每组144个数据，作为SVR模型和GRU模型权重确定的数据，将每一组数据分别输入保存的训练完成的SVR模型和GRU模型中进行预测，得到预测结果，并计算每种模型预测的误差平方，再通过方差倒数法确定SVR模型和GRU模型的权重，最后取12组权重的均值作为组合预测模型的权重，从而得到训练好的组合预测模型。

3.根据权利要求2所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，通过方差倒数法确定SVR模型和GRU模型的权重，确定方式如下：

其中，α_SVR表示SVR模型的权重，α_GRU表示GRU模型的权重，N表示测试数据组的数量，α_i表示由单组测试数据计算的SVR模型权重，α_j表示由单组测试数据计算的GRU模型权重。

4.根据权利要求1所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，步骤S3中，在边缘节点资源足够时确认VNF的数量，VNF的数量包括：

其中，v_i表示类型为i的VNF需求量，R_i表示类型为i的VNF在某段时间内要处理的请求数量，h_i表示类型为i的VNF单位时间内处理请求的数量，m表示通过SVR-GRU模型预测出的m种网络服务，s_k表示通过SVR-GRU模型预测出的第k种网络服务需要处理的请求量，V_i表示类型为i的VNF，n表示m种网络业务服务所包含的VNF类型集合的数量。

5.根据权利要求1所述的边缘网络中一种虚拟网络功能需求预测方法，其特征在于，步骤S3中，在边缘资源不足时确认VNF的数量，VNF的数量包括：

其中，

表示当前边缘节点需要部署的不同VNF的数量，

表示类型为i的VNF在某段时间内要处理的请求数量，

表示类型为i的VNF单位时间内处理请求的数量，

表示通过SVR-GRU模型预测出的第k种网络服务需要处理的请求量，

表示第k种网络服务的VNF类型集合，m表示通过SVR-GRU模型预测出的m种网络服务，n表示m种网络业务服务所包含的VNF类型集合的数量。

Images