CN113115139A - 基于网络容器的光网络虚拟化系统及业务映射方法 - Google Patents

Abstract

本发明实施方式涉及通信技术领域，特别涉及一种基于网络容器的光网络虚拟化系统及业务映射方法。所述虚拟化系统包括：物理网络层，所述物理网络层包括所述光网络的物理网络资源；网络容器层，所述网络容器层包括若干网络容器，所述网络容器通过从所述物理网络资源划分出的子网络资源集合进行虚拟化后得到，所述网络容器能够被调整以适应虚拟网络业务的需求；以及虚拟网络层，用于提供多种虚拟光网络供虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器。同时还提供了基于网络容器的业务映射方法。本发明提供的实施方式，能够实现光网络或弹性光网络的虚拟化和灵活性。

Description

基于网络容器的光网络虚拟化系统及业务映射方法

技术领域

本发明涉及通信技术领域，特别涉及一种基于网络容器的光网络虚拟化系统、一种基于网络容器的业务映射方法以及一种存储介质。

背景技术

随着数据中心、云计算及物联网等技术的快速发展，传统光网络架构僵化问题日益突出。通过网络功能虚拟化技术将物理网络抽象为多个彼此独立的虚拟网络以共享其物理资源，并根据用户的多样化需求部署业务。由于网络功能动态加载和网络资源按需调配的实现，加速网络技术的创新与应用，网络虚拟化成为解决现有网络问题的一个有效途径。

虚拟光网络业务具有业务多样化和差异化的特点，虚拟网络与弹性光网络之间的虚拟映射日益复杂；虚拟网络与物理网络之间，并未完全解耦；物理网络的差异化造成虚拟网络映射的灵活性有限，并制约了虚拟网络业务的快速部署。

发明内容

有鉴于此，本发明旨在提出一种基于网络容器的光网络虚拟化系统及业务映射方法，以至少部分地解决以上问题。

为达到上述目的，本发明的第一方面提供了一种基于网络容器的光网络虚拟化系统，所述虚拟化系统包括：

物理网络层，所述物理网络层包括所述光网络的物理网络资源；网络容器层，所述网络容器层包括若干网络容器，所述网络容器通过从所述物理网络资源划分出的子网络资源集合进行虚拟化后得到，所述网络容器能够被调整以适应虚拟网络业务的需求；以及虚拟网络层，用于提供多种虚拟光网络供虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器。

优选的，所述物理网络层中的物理网络资源包括：实体节点、实体链路以及频谱资源。

优选的，所述网络容器层中的网络容器通过以下步骤进行初始化：基于所述虚拟网络业务的业务类型的数量，确定网络容器的数量；基于每种业务类型的流量在统计时间段内的流量总和中的第一流量占比，以所述第一流量占比占比确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比；所述网络资源为所述物理网络资源的虚拟化。

优选的，所述网络容器层中的网络容器通过以下步骤进行调整：基于虚拟网络业务的历史流量得到所述虚拟网络业务的预测流量；基于每种业务类型的预测流量在所有业务类型的预测流量总和中的第二流量占比，以所述第二流量占比重新确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比。

优选的，基于虚拟网络业务的流量历史得到所述虚拟网络业务的预测流量，包括：基于所述流量的虚拟网络业务的类型，获取每类虚拟网络业务在所选周期内的历史流量，输入训练好的增量回声状态网络模型，得到对应的预测流量。

优选的，所述增量回声状态网络模型包括：输入层、储备池和输出层；所述储备池包括若干连接矩阵。

优选的，所述训练好的增量回声状态网络模型，通过以下步骤得到：

从业务流量样本库输入所述增量回声状态网络模型，对所述增量回声状态网络模型进行训练；评价所述训练后的所述增量回声状态网络模型的准确率；若所述准确率低于准确率阈值，则在所述增量回声状态网络模型中增加一级神经元模块，采用所述业务流量样本库继续进行训练；直至所述准确率高于所述准确率阈值，训练所得的增量回声状态网络模型即为所述训练好的增量回声状态网络模型。

优选的，在得到所述第二流量占比之前，还包括：判断所述预测流量总和是否大于所述光网络的容量上限；若大于，则基于所述虚拟网络业务的优先级对至少一个预测流量进行降低；直至所述预测流量总和不大于所述光网络的容量上限。

优选的，所述网络容器层还被配置为：获取所述虚拟光网络上承载的虚拟网络业务的业务属性，基于所述业务属性确定对应的网络容器；在确定出的所述网络容器中进行节点映射和链路映射，得到映射出的节点和链路；

基于所述映射出的节点和链路分配网络资源，完成所述虚拟光网络与所述物理网络资源的映射。

在本发明的第二方面，还提供了一种基于网络容器的业务映射方法，所述映射方法包括：

将虚拟网络业务的承载网络的网络资源进行分配，划分为若干子网络资源集合，每个所述子网络资源集合为一个网络容器；每个所述网络容器支持多个虚拟网络业务；基于所述虚拟网络业务的类型，获取每类虚拟网络业务在所选周期内的历史流量，输入训练好的增量回声状态网络模型，得到对应的预测流量；基于所述预测流量调整所述网络容器中的子网络资源集合，采用调整后的网络容器中的子网络资源集合承载对应的虚拟网络业务的流量。

优选的，将虚拟网络业务的承载网络的网络资源进行分配，包括：基于所述虚拟网络业务的业务类型的数量，确定网络容器的数量；基于每种业务类型的流量在统计时间段内的流量总和的第一流量占比，以所述第一流量占比确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比；所述网络资源为所述承载网络中物理网络资源的虚拟化。

优选的，所述增量回声状态网络模型包括：输入层、储备池和输出层；所述储备池包括若干连接矩阵。

优选的，所述训练好的增量回声状态网络模型，通过以下步骤得到：从业务流量样本库输入所述增量回声状态网络模型，对所述增量回声状态网络模型进行训练；评价所述训练后的所述增量回声状态网络模型的准确率；若所述准确率低于准确率阈值，则在所述增量回声状态网络模型中增加一级神经元模块，采用所述业务流量样本库继续进行训练；直至所述准确率高于所述准确率阈值，训练所得的增量回声状态网络模型即为所述训练好的增量回声状态网络模型。

优选的，基于所述预测流量调整所述网络容器中的子网络资源集合，包括：基于每种业务类型的预测流量在所有业务类型的预测流量总和中的第二流量占比，以所述第二流量占比重新确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比。

优选的，在得到所述流量占比之前，所述映射方法还包括：判断所述预测流量总和是否大于所述承载网络的容量上限；若大于，则基于所述虚拟网络业务的优先级对所对应的预测流量进行调整；直至所述预测流量总和不大于所述承载网络的容量上限。

优选的，采用调整后的网络容器中的子网络资源集合承载对应的虚拟网络业务的流量，包括，将虚拟网络业务与调整后的网络容器中的子网络资源集合进行映射：获取所述流量对应的虚拟网络业务的业务属性，基于所述业务属性确定对应的网络容器；在确定出的所述网络容器中进行节点映射和链路映射，得到映射出的节点和链路；基于所述映射出的节点和链路，分配网络资源，以完成为所述虚拟网络业务分配的网络容器与物理网络资源的映射。

优选的，所述承载网络为光网络，对应的，所述网络资源为所述光网络的物理网络资源的虚拟化，所述物理网络资源包括实体节点、实体链路以及频谱资源。

优选的，所述映射方法还包括：通过虚拟网络层提供多种虚拟光网络供所述虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器。

在本发明的第三方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，所述计算机程序被处理器执行时实现前述的基于网络容器的业务映射方法。

本发明实施方式所提供的基于网络容器的光网络虚拟化系统及业务映射方法，具有以下有益效果：本发明专利提出“网络容器”的方法及系统，实现弹性光网络的虚拟化，支持虚拟网络业务的快速开通，并提高虚拟网络业务的部署的灵活性。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一实施方式中的基于网络容器的光网络虚拟化系统的架构示意图；

图2为本发明一实施方式中增量回声状态网络模型的结构示意图；

图3为本发明一实施方式中的业务映射方法的步骤示意图。

具体实施方式

以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。

图1为本发明一实施方式中的基于网络容器的光网络虚拟化系统的架构示意图，如图1所示，一种基于网络容器的光网络虚拟化系统，所述虚拟化系统包括：

物理网络层，所述物理网络层包括所述光网络的物理网络资源；此处的述物理网络层中的物理网络资源包括：组成光网络的硬件实体，具体包括：实体节点，例如光交换机、光发送机和光接收机等；实体链路，例如光纤链路等，以及频谱资源，例如波分复用中的波分信道等；以上硬件实体作为光网络中的组成元素，也是光网络中资源调度的对象。

网络容器层，所述网络容器层包括若干网络容器，所述网络容器通过从所述物理网络资源划分出的子网络资源集合进行虚拟化后得到；虚拟化是指对物理网络资源的一种逻辑表示，提供了一个逻辑视图，而不是物理视图，并不会受限于物理资源，而将物理网络资源拟化为数据、计算能力、存储资源等。本实施方式中的网络容器层负责对物理网络资源的虚拟化抽象化；根据规则引擎，将物理网络资源划分出多个子网络，每个子网络逻辑上互相隔离，各自形成独立的网络容器，并为每个网络容器分配物理网络资源，一个网络容器可以支持多个虚拟光网络业务。

虚拟网络层，用于提供多种虚拟光网络供虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器；其作为工作于用户层面的界面，负责虚拟光网络业务请求的接收及其QoS需求参数的提取（包括虚拟光网络的带宽、虚拟节点和虚拟链路），各种虚拟光网络共同构成了该虚拟网络层。

通过以上实施方式，通过网络容器能够实现对物理网络资源的抽象和调配，能够尽可能地实现更多地虚拟光网络映射，减少业务的阻塞率，提高链路的带宽利用率。

在本发明提供的一种实施方式中，所述网络容器层中的网络容器通过以下步骤初始化：基于所述虚拟网络业务的业务类型的数量，确定网络容器的数量；基于每种业务类型的流量在统计时间段内的流量总和的占比，以所述占比确定与业务类型对应的网络容器在网络资源中的占比；所述网络资源为所述物理网络资源的虚拟化。具体的，通过以下步骤生成网络容器：根据规则引擎划分出一个逻辑子网（包括节点、链路），并为其配置一定大小的连续频谱资源，从而形成一个逻辑上独立的网络。该网络即为一个网络容器。按照该方法，弹性光网络可以划分并生成多个网络容器。生成的网络容器根据以下步骤进行初始化，即步骤1：设定虚拟网络业务的类型数量为N；步骤2：统计N种虚拟网络业务的流量及其占比；步骤3：根据各类虚拟网络业务的占比，生成N个网络容器并对应比例的分配网络资源。例如：当存在3种虚拟网络业务且其流量大致相等时，此时会在网络容器层生成3个网络容器，并按照各1/3的比例分配整个光网络的物理网络资源所虚拟化而成的网络资源。

在本发明提供的一种实施方式中，还包括对网络容器层中的网络容器进行调度和调整，步骤如下：基于虚拟网络业务的历史流量得到所述虚拟网络业务的预测流量；基于每种业务类型的预测流量在所有业务类型的预测流量总和中的第二流量占比，以所述第二流量占比重新确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比。随着业务处理的进行，不同类型的虚拟网络业务的流量也在动态变化，如果监测到虚拟网络业务的流量的变化之后再调整对应的网络容器，将导致网络容器的调整滞后于流量的动态变化。为了使网络容器对于流量变化的快速响应，并使光网络中的网络资源得到最大的利用率，本实施方式采用了预测流量进行调整，以使在流量发生变化的同时，网络容器进行同步的调整，以此实现光网络对于虚拟网络业务的追随响应。

在本发明提供的一种实施方式中，采用了一种增量回声状态网络（IncrementalEcho-State-Network, I-ESN）算法对各类虚拟网络业务的流量进行预测，周期性地预测各类虚拟网络业务的流量，换算成各类业务的归一化占比，按比例调整网络容器的大小。图2为本发明一实施方式中增量回声状态网络模型的结构示意图，如图2所示。该增量回声状态网络模型包括：输入层W_I、储备池和输出层W_O；其输出分别为u(n)、x(n)、y(n)。所述储备池包括若干连接矩阵，即图中的W_{R_1}、W_{R_2}和W_{R_n}。图2中所示的连接矩阵的数目不构成对连接矩阵数目的限定。对网络容器的调度步骤如下：

步骤1：增量回声状态网络模型初始化，根据公式（1）构造其算法模型；

..（1）

其中，

（2）

步骤2：从业务流量样本库输入I-ESN模型中，进行I-ESN的训练和学习；

步骤3：评估I-ESN的准确率，若低于90%，则在I-ESN中增加一级神经元模块，返回步骤2；若高于90%，则I-ESN已训练和学习完备；此处的90%即准确率阈值，可调整；

步骤4：提取每类虚拟网络业务在T周期内的历史流量值，输入训练和学习完备的I-ESN计算其预测流量值；

步骤5：统计所有虚拟网络业务预测流量值的总量，若总量小于弹性光网络的系统容量，则按各类虚拟网络业务的预测占比，给网络容器分配资源；否则转到步骤6；

步骤6：若大于系统容量，则对低优先级的虚拟网络业务预测流量值，适度降低，直到总预测流量值等于系统容量，再换算成各类业务占比，依此为网络容器分配资源。

通过以上实施方式，使网络容器能够快速且灵活地为虚拟网络业务分配合适的网络资源。

在本发明提供的一种实施方式中，还通过网络容器层提供了虚拟光网络映射方法，其根据虚拟光网络业务的类型及QoS需求，对虚拟网络业务进行映射。由于网络容器间彼此独立隔离，故支持不同类型的多个虚拟网络并行映射。具体步骤如下：

步骤1：提取虚拟网络业务的业务属性，例如业务类型及QoS需求，查寻该类型业务所对应的网络容器；

步骤2：从规则引擎中导入该网络容器所对应的映射算法；

步骤3：在网络容器中，运用导入的节点映射算法，按照顺序逐一进行节点映射；

步骤4：在网络容器中，运用导入的链路映射算法，采用计算每条虚拟链路的路径，逐一进行虚拟链路的映射；

步骤5：在网络容器中，为该虚拟网络业务请求分配网络资源，从而完成一个虚拟网络的映射。

其中，本实施方式及前文提及的规则引擎包括：以规则库的方式设定了弹性光网络生成各种网络容器的原则和限制条件以及算法；并为网络容器分配相应的物理网络资源。规则引擎包括了多种虚拟网络映射算法；通过规则引擎可以对网络容器的参数进行配置。通过配置规则引擎，可以支持每个网络容器运行不同的虚拟网络映射算法。

图3为本发明一实施方式中的业务映射方法的步骤示意图，如图3所示。在该实施方式中，还提供了一种基于网络容器的业务映射方法，该映射方法所述映射方法包括：

S01，将所述流量的承载网络的网络资源进行分配，划分为若干子网络资源集合，每个所述子网络资源集合为一个网络容器；每个所述网络容器支持多个虚拟网络业务；此处的网络资源为所述承载网络中物理网络资源的虚拟化后的到的。通过将网络资源分配为若干网络容器，通过调整网络容器的实现对网络资源的调度。

S02，基于所述流量的虚拟网络业务的类型，获取每类虚拟网络业务在所选周期内的历史流量，输入训练好的增量回声状态网络模型，得到对应的预测流量；如果采用基于流量统计之后的网络资源的分配，无法满足虚拟网络业务对于承载网络的网络资源的快速需求响应。本实施方式通过虚拟网络业务，能够准确得到预测流量，从而实现网络资源与虚拟网络业务的需求相同步。

S03，基于所述预测流量调整所述网络容器中的子网络资源集合，采用调整后的网络容器中的子网络资源集合承载对应的虚拟网络业务的流量。基于上一步中的预测流量调整网络容器，使网络容器满足虚拟网络业务的需求。

通过本实施方式提供的基于网络容器的业务映射方法，能够实现虚拟网络业务与承载网络中物理网络资源的快速调度和对应。

可选的实施方式，将虚拟网络业务的承载网络的网络资源进行分配，包括：基于所述虚拟网络业务的业务类型的数量，确定网络容器的数量；基于每种业务类型的流量在统计时间段内的流量总和的第一流量占比，以所述第一流量占比确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比；所述网络资源为所述承载网络中物理网络资源的虚拟化。

可选的实施方式，所述增量回声状态网络模型包括：输入层、储备池和输出层；所述储备池包括若干连接矩阵。

可选的实施方式，所述训练好的增量回声状态网络模型，通过以下步骤得到：从业务流量样本库输入所述增量回声状态网络模型，对所述增量回声状态网络模型进行训练；评价所述训练后的所述增量回声状态网络模型的准确率；若所述准确率低于准确率阈值，则在所述增量回声状态网络模型中增加一级神经元模块，采用所述业务流量样本库继续进行训练；直至所述准确率高于所述准确率阈值，训练所得的增量回声状态网络模型即为所述训练好的增量回声状态网络模型。

可选的实施方式，基于所述预测流量调整所述网络容器中的子网络资源集合，包括：基于每种业务类型的预测流量在所有业务类型的预测流量总和中的第二流量占比，以所述第二流量占比重新确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比。

可选的实施方式，在得到所述流量占比之前，所述映射方法还包括：判断所述预测流量总和是否大于所述承载网络的容量上限；若大于，则基于所述虚拟网络业务的优先级对所对应的预测流量进行调整；直至所述预测流量总和不大于所述承载网络的容量上限。

可选的实施方式，采用调整后的网络容器中的子网络资源集合承载对应的虚拟网络业务的流量，包括，将虚拟网络业务与调整后的网络容器中的子网络资源集合进行映射：获取所述流量对应的虚拟网络业务的业务属性，基于所述业务属性确定对应的网络容器；在确定出的所述网络容器中进行节点映射和链路映射，得到映射出的节点和链路；基于所述映射出的节点和链路，分配网络资源，以完成为所述虚拟网络业务分配的网络容器与物理网络资源的映射。

可选的实施方式，所述承载网络为光网络，对应的，所述网络资源为所述光网络的物理网络资源的虚拟化，所述物理网络资源包括实体节点、实体链路以及频谱资源。

可选的实施方式，所述映射方法还包括：通过虚拟网络层提供多种虚拟光网络供所述虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器。

该基于网络容器的业务映射方法的实施方式中的技术细节和有益效果参照前述的基于网络容器的光网络虚拟化系统的实施方式的内容，此处不再赘述。

本发明的实施方式还提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于网络容器的业务映射方法。

以上结合附图详细描述了本发明实施方式的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器（processor）执行本申请各个实施方式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。

此外，本发明实施方式的不同实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (19)

1.一种基于网络容器的光网络虚拟化系统，其特征在于，所述虚拟化系统包括：

物理网络层，所述物理网络层包括所述光网络的物理网络资源；

网络容器层，所述网络容器层包括若干网络容器，所述网络容器通过从所述物理网络资源划分出的子网络资源集合进行虚拟化后得到，所述网络容器能够被调整以适应虚拟网络业务的需求；以及

虚拟网络层，用于提供多种虚拟光网络供虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器。

2.根据权利要求1所述的虚拟化系统，其特征在于，所述物理网络层中的物理网络资源包括：实体节点、实体链路以及频谱资源。

3.根据权利要求2所述的虚拟化系统，其特征在于，所述网络容器层中的网络容器通过以下步骤进行初始化：

基于所述虚拟网络业务的业务类型的数量，确定网络容器的数量；

基于每种业务类型的流量在统计时间段内的流量总和中的第一流量占比，以所述第一流量占比确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比；

所述网络资源为所述物理网络资源的虚拟化。

4.根据权利要求3所述的虚拟化系统，其特征在于，所述网络容器层中的网络容器通过以下步骤进行调整：

基于虚拟网络业务的历史流量得到所述虚拟网络业务的预测流量；

获取所有业务类型的预测流量总和，基于每种业务类型的预测流量在所有业务类型的预测流量总和中的第二流量占比，以所述第二流量占比重新确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比。

5.根据权利要求4所述的虚拟化系统，其特征在于，基于虚拟网络业务的流量历史得到所述虚拟网络业务的预测流量，包括：

基于所述流量的虚拟网络业务的类型，获取每类虚拟网络业务在所选周期内的历史流量，输入训练好的增量回声状态网络模型，得到对应的预测流量。

6.根据权利要求5所述的虚拟化系统，其特征在于，所述增量回声状态网络模型包括：输入层、储备池和输出层；所述储备池包括若干连接矩阵。

7.根据权利要求6所述的虚拟化系统，其特征在于，所述训练好的增量回声状态网络模型通过以下步骤得到：

从业务流量样本库输入所述增量回声状态网络模型，对所述增量回声状态网络模型进行训练；

评价训练后的增量回声状态网络模型的准确率；

若所述准确率低于准确率阈值，则在所述增量回声状态网络模型中增加一级神经元模块，采用所述业务流量样本库继续进行训练，直至所述准确率达到所述准确率阈值，将训练所得的增量回声状态网络模型作为所述训练好的增量回声状态网络模型。

8.根据权利要求4所述的虚拟化系统，其特征在于，所述网络容器层中的网络容器的调整步骤中，在得到所述第二流量占比之前，还包括：

判断所述预测流量总和是否大于所述光网络的容量上限；

若大于，则基于所述虚拟网络业务的优先级对至少一个预测流量进行降低，直至所述预测流量总和不大于所述光网络的容量上限。

9.根据权利要求2所述的虚拟化系统，其特征在于，所述网络容器层还被配置为：

获取所述虚拟光网络上承载的虚拟网络业务的业务属性；

基于所述业务属性确定对应的网络容器；

在确定出的网络容器中进行节点映射和链路映射，得到映射出的节点和链路；

基于所述映射出的节点和链路分配网络资源，完成所述虚拟光网络与所述物理网络资源的映射。

10.一种基于网络容器的业务映射方法，其特征在于，所述映射方法包括：

将虚拟网络业务的承载网络的网络资源进行分配，划分为若干子网络资源集合，每个所述子网络资源集合为一个网络容器；每个所述网络容器支持多个虚拟网络业务；

基于所述虚拟网络业务的类型，获取每类虚拟网络业务在所选周期内的历史流量，输入训练好的增量回声状态网络模型，得到对应的预测流量；

基于所述预测流量调整所述网络容器中的子网络资源集合，采用调整后的网络容器中的子网络资源集合承载对应的虚拟网络业务的流量。

11.根据权利要求10所述的映射方法，其特征在于，将虚拟网络业务的承载网络的网络资源进行分配，包括：

基于所述虚拟网络业务的业务类型的数量，确定网络容器的数量；

基于每种业务类型的流量在统计时间段内的流量总和的第一流量占比，以所述第一流量占比确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比；

所述网络资源为所述承载网络中物理网络资源的虚拟化。

12.根据权利要求10所述的映射方法，其特征在于，所述增量回声状态网络模型包括：输入层、储备池和输出层；所述储备池包括若干连接矩阵。

13.根据权利要求12所述的映射方法，其特征在于，所述训练好的增量回声状态网络模型通过以下步骤得到：

从业务流量样本库输入所述增量回声状态网络模型，对所述增量回声状态网络模型进行训练；

评价训练后的增量回声状态网络模型的准确率；

若所述准确率低于准确率阈值，则在所述增量回声状态网络模型中增加一级神经元模块，采用所述业务流量样本库继续进行训练，直至所述准确率达到所述准确率阈值，将训练所得的增量回声状态网络模型作为所述训练好的增量回声状态网络模型。

14.根据权利要求13所述的映射方法，其特征在于，基于所述预测流量调整所述网络容器中的子网络资源集合，包括：

获取所有业务类型的预测流量总和，基于每种业务类型的预测流量在所有业务类型的预测流量总和中的第二流量占比，以所述第二流量占比重新确定与业务类型对应的网络容器中的子网络资源集合在网络资源中的占比。

15.根据权利要求14所述的映射方法，其特征在于，在得到所述流量占比之前，所述映射方法还包括：

判断所述预测流量总和是否大于所述承载网络的容量上限；

若大于，则基于所述虚拟网络业务的优先级对所对应的预测流量进行降低，直至所述预测流量总和不大于所述承载网络的容量上限。

16.根据权利要求15所述的映射方法，其特征在于，采用调整后的网络容器中的子网络资源集合承载对应的虚拟网络业务的流量，包括：

将虚拟网络业务与调整后的网络容器中的子网络资源集合进行映射：

获取所述流量对应的虚拟网络业务的业务属性；

基于所述业务属性确定对应的网络容器；

在确定出的网络容器中进行节点映射和链路映射，得到映射出的节点和链路；

基于所述映射出的节点和链路分配网络资源，以完成为所述虚拟网络业务分配的网络容器与物理网络资源的映射。

17.根据权利要求10所述的映射方法，其特征在于，所述承载网络为光网络，对应的，所述网络资源为所述光网络的物理网络资源的虚拟化，所述物理网络资源包括实体节点、实体链路以及频谱资源。

18.根据权利要求17所述的映射方法，其特征在于，所述映射方法还包括：

通过虚拟网络层提供多种虚拟光网络供所述虚拟网络业务调用，每种所述虚拟光网络映射至一个所述网络容器。

19.一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求10至18中任一项权利要求所述的基于网络容器的业务映射方法。

Images