CN113163498A - 5g网络切片下基于遗传算法的虚拟网资源分配方法及装置 - Google Patents
5g网络切片下基于遗传算法的虚拟网资源分配方法及装置 Download PDFInfo
- Publication number
- CN113163498A CN113163498A CN202110581842.0A CN202110581842A CN113163498A CN 113163498 A CN113163498 A CN 113163498A CN 202110581842 A CN202110581842 A CN 202110581842A CN 113163498 A CN113163498 A CN 113163498A
- Authority
- CN
- China
- Prior art keywords
- virtual network
- virtual
- network
- resource allocation
- node
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种5G网络切片下基于遗传算法的虚拟网资源分配方法及装置,包括:获取底层网络资源和虚拟网请求集合;计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求集合;根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。本发明提出一种网络切片下基于遗传算法的虚拟网资源分配算法,具有较好的应用效果和性能,在降低了底层网络开销的同时,还提升了底层网络的收益和虚拟网络映射的成功率。
Description
技术领域
本发明涉及通信网络的资源管理技术领域,特别是涉及一种5G网络切片下基于遗传算法的虚拟网资源分配方法、装置、终端设备和计算机可读存储介质。
背景技术
目前,随着5G网络的快速建设和应用,各种基于5G网络的业务和应用快速增加。为提高基础网络的资源利用率,节约网络建设的成本,网络切片技术已成为网络运营商普遍采用的关键技术。在网络切片环境下,传统的基础网络被划分为底层网络和虚拟网络两个部分。其中,底层网络包括底层节点和底层链路。虚拟网络服务提供商通过租用底层网络的资源,构建虚拟网络,为用户提供特定的业务和服务。在网络切片环境下,如何提高底层网络资源的利用率是一个重要的研究内容。
现有技术中,主要采用贪婪或随机的策略,基于网络特性进行资源分配,这种资源分配策略容易导致算法获得的解不是全局最优解。另外,部分智能化算法已被应用到资源分配,但是这些算法没有利用网络特征进行资源分配,给算法的运行带来较大的开销,也较难获得全局最优解。
发明内容
本发明的目的是:提供一种5G网络切片下基于遗传算法的虚拟网资源分配方法、装置、终端设备和计算机可读存储介质,能够解决虚拟网资源分配中存在的底层网络开销较大、虚拟网资源分配成功率较低的问题。
为了实现上述目的,本发明提供了一种5G网络切片下基于遗传算法的虚拟网资源分配方法,包括:
获取底层网络资源和虚拟网请求集合;
计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;
根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求集合;
根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。
进一步地,所述计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模,具体采用如下公式:
进一步地,所述根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合,具体为:
(a)、取出需要进行资源分配的虚拟网请求;
(b)、根据虚拟网请求的虚拟节点数量,构造染色体以及初始种群;
(c)、从所述初始种群中选择底层节点资源满足虚拟节点请求资源量、且属于虚拟网节点请求位置范围内的个体,采用最短路径算法为每个个体对应的虚拟节点分配虚拟链路;
(d)、计算所述初始种群中虚拟链路分配成功的个体的适应度值;
(e)、保存适应度值最大的个体到适应度值集合;
(f)、判断所述适应度值集合是否达到最大迭代次数,如达到最大迭代次数,跳转到步骤(j);
(g)、选择所述初始种群中Pc个个体进行交叉操作;
(h)、选择Pm个个体进行变异操作;
(i)、将适应度值最大的Pg个个体、Pc个交叉得到的个体、Pm个变异得到的个体组成新的种群,跳转到步骤(c);
(j)、选择集合中适应度值最大的个体,作为虚拟网请求的资源分配策略,并加入到虚拟网资源分配策略集合中。
进一步地,所述计算所述初始种群中虚拟链路分配成功的个体的适应度值,具体采用如下公式:
fitness表示个体的适应度值,表示底层网络开销,NV表示虚拟节点集合,EV虚拟链路集合,表示虚拟链路需要映射到的底层链路的集合中包含的链路数量,表示底层节点包括计算资源属性,表示每条底层链路的带宽资源。
本发明还提供一种5G网络切片下基于遗传算法的虚拟网资源分配装置,包括:获取模块、计算模块、排序模块和分配模块,其中,
所述获取模块,用于获取底层网络资源和虚拟网请求集合;
所述计算模块,用于计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;
所述排序模块,用于根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求集合;
所述分配模块,用于根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。
进一步地,所述计算模块,具体采用如下公式:
进一步地,所述分配模块,具体用于:
(a)、取出需要进行资源分配的虚拟网请求;
(b)、根据虚拟网请求的虚拟节点数量,构造染色体以及初始种群;
(c)、从所述初始种群中选择底层节点资源满足虚拟节点请求资源量、且属于虚拟网节点请求位置范围内的个体,采用最短路径算法为每个个体对应的虚拟节点分配虚拟链路;
(d)、计算所述初始种群中虚拟链路分配成功的个体的适应度值;
(e)、保存适应度值最大的个体到适应度值集合;
(f)、判断所述适应度值集合是否达到最大迭代次数,如达到最大迭代次数,跳转到步骤(j);
(g)、选择所述初始种群中Pc个个体进行交叉操作;
(h)、选择Pm个个体进行变异操作;
(i)、将适应度值最大的Pg个个体、Pc个交叉得到的个体、Pm个变异得到的个体组成新的种群,跳转到步骤(c);
(j)、选择集合中适应度值最大的个体,作为虚拟网请求的资源分配策略,并加入到虚拟网资源分配策略集合中。
进一步地,所述计算所述初始种群中虚拟链路分配成功的个体的适应度值,具体采用如下公式:
fitness表示个体的适应度值,表示底层网络开销,NV表示虚拟节点集合,EV虚拟链路集合,表示虚拟链路需要映射到的底层链路的集合中包含的链路数量,表示底层节点包括计算资源属性,表示每条底层链路的带宽资源。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的5G网络切片下基于遗传算法的虚拟网资源分配方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的5G网络切片下基于遗传算法的虚拟网资源分配方法。
本发明一种5G网络切片下基于遗传算法的虚拟网资源分配方法、装置、终端设备和计算机可读存储介质与现有技术相比,其有益效果在于:
本发明通过对底层网络资源利用性能和虚拟网资源分配性能的分析可知,提出了一种网络切片下基于遗传算法的虚拟网资源分配算法,具有较好的应用效果和性能,在降低了底层网络开销的同时,还提升了底层网络的收益和虚拟网络映射的成功率。
附图说明
图1为本发明某一实施例提供的一种5G网络切片下基于遗传算法的虚拟网资源分配方法的流程示意图;
图2为本发明和现有技术中的底层网络开销比较结果示意图;
图3为本发明和现有技术中的底层网络收益比较示意图;
图4为本发明和现有技术中的虚拟网络映射成功率比较示意图;
图5为本发明某一实施例提供的一种5G网络切片下基于遗传算法的虚拟网资源分配装置的结构示意图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明第一实施例:
如图1所示,本发明实施例优选实施例的一种5G网络切片下基于遗传算法的虚拟网资源分配方法,至少包括如下步骤:
S101、获取底层网络资源和虚拟网请求集合;
需要说明的是,在网络切片环境下,为了提高底层网络的资源利用率,需要根据底层网络拓扑的特点和虚拟网请求的资源特征,实现资源的高效率分配。本发明使用GS=(NS,ES)表示底层网络拓扑。GS=(NS,ES)包括底层节点集合NS和底层链路集合ES。底层节点集合NS由底层节点构成,每个底层节点包括计算资源属性和位置属性,分别使用和表示。底层链路集合ES由底层链路构成,每条底层链路的属性是带宽资源,使用表示。在虚拟网拓扑方面,使用GV=(NV,EV)表示虚拟网络拓扑。GV=(NV,EV)由虚拟节点集合NV和虚拟链路集合EV构成。每个虚拟节点包括计算资源属性和位置属性,分别使用和表示。在底层节点为虚拟节点分配资源时,需要同时满足计算资源属性和位置属性的限制。在计算资源属性限制方面,底层节点为虚拟节点分配的计算资源容量需要满足虚拟节点的计算资源需求量。在位置属性的限制方面,底层节点的位置需要在虚拟节点位置属性的半径范围内。
每条虚拟链路的属性为带宽资源当底层链路为虚拟链路分配资源时,需要满足端到端链路和带宽容量要求两个条件。其中,端到端链路约束是指为虚拟链路分配的链路需要互相连接为一条路径,并且路径的两个端点为虚拟链路的两个端点所映射的底层网络节点。带宽容量约束是指底层链路的带宽容量需要满足虚拟链路的带宽容量要求。底层链路为虚拟链路分配资源的过程使用表示。其中,表示由一条或多条底层链路构成的底层路径。一般来说,底层网络资源分配算法性能的优劣可以从底层网络开销、底层网络收益两个角度进行衡量。
底层网络开销是指时间段t内底层网络为虚拟网分配资源后消耗的底层节点和底层链路资源之和。使用公式(1)进行计算。由于底层链路为虚拟链路分配资源时,需要使用多条链路构成端到端的路径,使用表示虚拟链路需要映射到的底层链路的集合中包含的链路数量,其中每条底层链路需要消耗的带宽资源为虚拟链路请求的带宽资源。
S102、计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;
具体地,通过对已有虚拟网资源分配算法分析可知,对于虚拟节点的资源分配,虚拟网资源分配失败的原因主要是底层网络的节点资源不能满足虚拟节点资源需求。为解决此问题,本发明将优先为资源需求较大的虚拟网络分配资源,从而降低因底层节点资源缺少导致的资源分配失败问题。
虚拟网络的节点资源需求规模使用表示,使用公式(3)进行计算。表示虚拟网络的节点集合,|*|表示计算虚拟网节点集合中包含的元素数量。通过分析虚拟网的节点需求规模,当虚拟网节点需求的资源越大时,资源分配算法需要优先为其分配资源,从而提高资源分配的成功率。
S103、根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求集合;
具体地,根据所述节点资源需求规模,按照需求规模的大小进行排序,并将排序后的虚拟网请求构成一个新的虚拟网请求集合;
S104、根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。
具体地,根据遗传算法的基本原理可知,如果将遗传算法应用到虚拟网资源分配问题,需要解决染色体编码、种群初始化、适应度函数定义、选择操作定义、交叉操作定义、变异操作定义六个关键问题。下面首先对这六个关键问题进行定义,之后提出基于遗传算法的虚拟网最优资源分配算法。
在种群初始化方面,根据网络规模,采用种群初始化方法生成初始种群,作为算法的起始解。初始化种群的规模与虚拟网的规模相关,取值为虚拟网包含的虚拟节点数量的n倍。本发明取10倍。例如,当虚拟网络包括10个虚拟节点,本发明初始化种群的数量为100个。
在适应度函数定义方面,当算法完成一个虚拟网资源分配后,底层网络开销与算法的优劣相关。当算法比较优化时,可以减少底层网络资源的开销。所以,本发明将底层网络开销与适应度函数进行关联。由于优化的目标是选择适应度值尽可能大的染色体,为便于计算,当映射成功虚拟网后,本发明将映射成功虚拟网的适应度函数定义为底层网络开销的倒数,如公式(4)所示。根据公式(4)的定义可知,适应度取值越大,说明底层网络的开销越小。
在选择操作定义方面,为了优化和更新种群,需要从已有种群中选择部分较优化的个体加入到新种群。在选择个体时,本发明按照个体的适应度值进行降序排列,选择适应度值较大的个体加入新的种群中。在交叉操作定义方面,从较优化的个体中选择两个个体作为交叉操作中的父代,之后将两个父代进行部分替换,替换后根据同一虚拟网不能有两个虚拟节点映射到相同底层节点的约束,对两个新个体进行调整,得到新的两个个体。在变异操作定义方面,从较优化的个体中选择一个个体作为变异操作的父代,之后将父代中的底层节点编号进行互换,从而生成新的个体。
本发明提出的网络切片下基于遗传算法的虚拟网最优资源分配算法(virtualnetwork resource allocation algorithm based on genetic algorithm,VNRAAoGA)如表1所示。该算法包括虚拟网的节点资源需求评估及降序排列、对于集合中的每个虚拟网请求分配资源两个过程。在虚拟网的节点资源需求评估及降序排列步骤中,主要用于分析虚拟网节点资源需求的数量。如果虚拟网需求的节点资源较多,需要优先分配资源,从而防止部分虚拟节点因资源需求太大不能被满足导致资源分配失败的情况发生。
在对于集合中的每个虚拟网请求分配资源步骤中,按照虚拟网请求的优先级,对于每个虚拟网进行资源分配。该步骤主要包括初始化种群、种群优化、确定资源分配策略三个步骤。在初始化种群步骤中,首先按照染色体编码规则初始化种群;其次,选择种群中满足虚拟节点资源分配和虚拟链路资源分配约束的个体,并计算其适应度值,对应算法中步骤2的(b、c、d、e)子过程。在种群优化步骤中,采取种群的选择、交叉、变异操作,对种群进行优化。对应算法中步骤2的(f、g、h、i)子过程。在确定资源分配策略步骤中,选择集合中适应度值最大的个体,作为虚拟网请求的资源分配策略,并加入到集合中。
表1基于遗传算法的虚拟网资源分配算法
在本发明的某一个实施例中,所述计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模,具体采用如下公式:
在本发明的某一个实施例,所述计算所述初始种群中虚拟链路分配成功的个体的适应度值,具体采用如下公式:
fitness表示个体的适应度值,表示底层网络开销,NV表示虚拟节点集合,EV虚拟链路集合,表示虚拟链路需要映射到的底层链路的集合中包含的链路数量,表示底层节点包括计算资源属性,表示每条底层链路的带宽资源。
为了验证本发明算法的性能,本发明使用GT-ITM工具生成网络拓扑[Zegura EW,Calvert K L,Bhattacharjee S.How to model an internetwork[C]//Proceedings ofIEEE INFOCOM'96.Conference on Computer Communications.IEEE,1996,2:594-602.]。生成的网络拓扑包括底层网络拓扑和虚拟网络拓扑。底层网络拓扑包括100个底层网络节点。底层网络的网络链路由任意两个节点之间以0.3的概率连接生成。每个底层网络节点的计算资源、每条链路的带宽资源服从[15,35]的均匀分布。虚拟网络拓扑包括的虚拟节点服从[3,10]的均匀分布。虚拟网络的虚拟链路由任意两个虚拟节点之间以0.2的概率连接生成。每个虚拟网络节点的计算资源服从[1,3]的均匀分布。每条虚拟链路的带宽资源服从[1,6]的均匀分布。
实验中使用固定的时间段进行网络环境更新和生成虚拟网资源分配请求。实验中生成的虚拟网资源分配请求数量为2000个。每个虚拟网请求的到达服从2个时间单位的泊松分布。每个虚拟网的生命时长为12个时间单位。实验运行的总时长为3000个时间单位。
在算法性能分析方面,将本发明算法VNRAAoGA与基于贪婪策略的虚拟网资源分配算法(Virtual network resource allocation algorithm based on greedy strategy,VNRAAoGS)进行比较。VNRAAoGS算法在为每个虚拟网分配资源时,采用随机搜索策略,查找最优的资源分配策略。为验证算法的性能,实验中从底层网络开销、底层网络收益、虚拟网络映射成功率三个维度对两个算法进行比较。在底层网络开销对比分析时,考虑到分配给虚拟网的资源之和较大,不便于分析。本发明采取max-min归一化方法将底层网络资源开销进行归一化处理,为了保证资源开销大的资源分配策略在归一化后的取值仍然较大,在采用max-min归一化方法时,使用底层网络开销值减去最小的开销值作为归一化方法的分子部分。
底层网络开销比较结果如图2所示。图中,X轴表示虚拟网请求的数量从100个增加到600个。Y轴表示底层网络开销的取值。从图可知,随着虚拟网请求数量的增加,两种算法下底层网络的开销快速增加。这是因为虚拟网请求数量的增加,需要底层网络为其分配的资源数量快速增加。两种算法比较来说,不同的虚拟网请求数量下,本发明算法的底层网络开销较小。这说明本发明算法为虚拟网分配了更加优化的底层网络资源,从而减少了底层网络的开销。
底层网络收益比较的结果如图3所示。图中,X轴表示虚拟网资源分配算法的运行时长。Y轴表示底层网络的收益。从图可知,随着虚拟网资源分配算法的运行时间增加,两个算法下获得的底层网络收益都在降低并趋于稳定。这是因为随着算法运行时间增加,底层网络的剩余资源越来越少,不能满足新的虚拟网请求。同时,由于底层网络的剩余资源规模也逐渐变小,不能满足大容量的资源请求。两个算法的性能比较方面,本发明算法下底层网络获得了较大的收益,说明本发明算法可以提高虚拟网的资源分配成功率,从而提升底层网络的收益。
虚拟网络映射成功率比较结果如图4所示。图中,X轴表示虚拟网资源分配算法的运行时长。Y轴表示虚拟网映射成功率。从图可知,随着虚拟网算法运行时间增加,两个算法的虚拟网映射成功率都趋于稳定。相对于传统算法,本发明算法下虚拟网映射成功率较高,表明本发明算法为虚拟网分配了比较优化的底层网络资源,从而使更多的虚拟网能够映射成功。
本发明一种5G网络切片下基于遗传算法的虚拟网资源分配方法与现有技术相比,其有益效果在于:
本发明提出一种网络切片下基于遗传算法的虚拟网资源分配算法,具有较好的应用效果和性能,在降低了底层网络开销的同时,还提升了底层网络的收益和虚拟网络映射的成功率。
如图5所示,本发明还提供一种5G网络切片下基于遗传算法的虚拟网资源分配装置200,包括:获取模块201、计算模块202、排序模块203和分配模块204,其中,
所述获取模块201,用于获取底层网络资源和虚拟网请求集合;
所述计算模块202,用于计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;
所述排序模块203,用于根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求结合;
所述分配模块204,用于根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。
在本发明的某一个实施例中,所述计算模块202,具体采用如下公式:
在本发明的某一个实施例中,所述分配模块204,具体用于:
(a)、取出需要进行资源分配的虚拟网请求;
(b)、根据虚拟网请求的虚拟节点数量,构造染色体以及初始种群;
(c)、从所述初始种群中选择底层节点资源满足虚拟节点请求资源量、且属于虚拟网节点请求位置范围内的个体,采用最短路径算法为每个个体对应的虚拟节点分配虚拟链路;
(d)、计算所述初始种群中虚拟链路分配成功的个体的适应度值;
(e)、保存适应度值最大的个体到适应度值集合;
(f)、判断所述适应度值集合是否达到最大迭代次数,如达到最大迭代次数,跳转到步骤(j);
(g)、选择所述初始种群中Pc个个体进行交叉操作;
(h)、选择Pm个个体进行变异操作;
(i)、将适应度值最大的Pg个个体、Pc个交叉得到的个体、Pm个变异得到的个体组成新的种群,跳转到步骤(c);
(j)、选择集合中适应度值最大的个体,作为虚拟网请求的资源分配策略,并加入到虚拟网资源分配策略集合中。
在本发明的某一个实施例,所述计算所述初始种群中虚拟链路分配成功的个体的适应度值,具体采用如下公式:
fitness表示个体的适应度值,表示底层网络开销,NV表示虚拟节点集合,EV虚拟链路集合,表示虚拟链路需要映射到的底层链路的集合中包含的链路数量,表示底层节点包括计算资源属性,表示每条底层链路的带宽资源。
本发明一种5G网络切片下基于遗传算法的虚拟网资源分配装置与现有技术相比,其有益效果在于:
本发明提出一种网络切片下基于遗传算法的虚拟网资源分配算法,具有较好的应用效果和性能,在降低了底层网络开销的同时,还提升了底层网络的收益和虚拟网络映射的成功率。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的5G网络切片下基于遗传算法的虚拟网资源分配方法。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的5G网络切片下基于遗传算法的虚拟网资源分配方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种5G网络切片下基于遗传算法的虚拟网资源分配方法,其特征在于,包括:
获取底层网络资源和虚拟网请求集合;
计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;
根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求集合;
根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。
3.根据权利要求1所述的5G网络切片下基于遗传算法的虚拟网资源分配方法,其特征在于,所述根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合,具体为:
(a)、取出需要进行资源分配的虚拟网请求;
(b)、根据虚拟网请求的虚拟节点数量,构造染色体以及初始种群;
(c)、从所述初始种群中选择底层节点资源满足虚拟节点请求资源量、且属于虚拟网节点请求位置范围内的个体,采用最短路径算法为每个个体对应的虚拟节点分配虚拟链路;
(d)、计算所述初始种群中虚拟链路分配成功的个体的适应度值;
(e)、保存适应度值最大的个体到适应度值集合;
(f)、判断所述适应度值集合是否达到最大迭代次数,如达到最大迭代次数,跳转到步骤(j);
(g)、选择所述初始种群中Pc个个体进行交叉操作;
(h)、选择Pm个个体进行变异操作;
(i)、将适应度值最大的Pg个个体、Pc个交叉得到的个体、Pm个变异得到的个体组成新的种群,跳转到步骤(c);
(j)、选择集合中适应度值最大的个体,作为虚拟网请求的资源分配策略,并加入到虚拟网资源分配策略集合中。
5.一种5G网络切片下基于遗传算法的虚拟网资源分配装置,其特征在于,包括:获取模块、计算模块、排序模块和分配模块,其中,
所述获取模块,用于获取底层网络资源和虚拟网请求集合;
所述计算模块,用于计算所述虚拟网请求集合中每个虚拟网请求的节点资源需求规模;
所述排序模块,用于根据所述节点资源需求规模,对所述虚拟网请求集合进行降序排列,获得排序后的虚拟网请求集合;
所述分配模块,用于根据遗传算法,对所述排序后的虚拟网请求集合分配虚拟网资源,获得虚拟网资源分配策略集合。
7.根据权利要求5所述的5G网络切片下基于遗传算法的虚拟网资源分配装置,其特征在于,所述分配模块,具体用于:
(a)、取出需要进行资源分配的虚拟网请求;
(b)、根据虚拟网请求的虚拟节点数量,构造染色体以及初始种群;
(c)、从所述初始种群中选择底层节点资源满足虚拟节点请求资源量、且属于虚拟网节点请求位置范围内的个体,采用最短路径算法为每个个体对应的虚拟节点分配虚拟链路;
(d)、计算所述初始种群中虚拟链路分配成功的个体的适应度值;
(e)、保存适应度值最大的个体到适应度值集合;
(f)、判断所述适应度值集合是否达到最大迭代次数,如达到最大迭代次数,跳转到步骤(j);
(g)、选择所述初始种群中Pc个个体进行交叉操作;
(h)、选择Pm个个体进行变异操作;
(i)、将适应度值最大的Pg个个体、Pc个交叉得到的个体、Pm个变异得到的个体组成新的种群,跳转到步骤(c);
(j)、选择集合中适应度值最大的个体,作为虚拟网请求的资源分配策略,并加入到虚拟网资源分配策略集合中。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的5G网络切片下基于遗传算法的虚拟网资源分配方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的5G网络切片下基于遗传算法的虚拟网资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581842.0A CN113163498B (zh) | 2021-05-26 | 2021-05-26 | 5g网络切片下基于遗传算法的虚拟网资源分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581842.0A CN113163498B (zh) | 2021-05-26 | 2021-05-26 | 5g网络切片下基于遗传算法的虚拟网资源分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113163498A true CN113163498A (zh) | 2021-07-23 |
CN113163498B CN113163498B (zh) | 2022-09-30 |
Family
ID=76877736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110581842.0A Active CN113163498B (zh) | 2021-05-26 | 2021-05-26 | 5g网络切片下基于遗传算法的虚拟网资源分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113163498B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113727450A (zh) * | 2021-08-13 | 2021-11-30 | 中国科学院计算技术研究所 | 一种基于资源隔离与复用的网络切片无线资源分配方法 |
CN113746677A (zh) * | 2021-09-01 | 2021-12-03 | 之江实验室 | 一种面向5g新空口的网络切片内资源分配方法 |
CN114157583A (zh) * | 2021-11-18 | 2022-03-08 | 广东电网有限责任公司 | 一种基于可靠性的网络资源启发式映射方法及系统 |
CN114422375A (zh) * | 2021-12-10 | 2022-04-29 | 国网河南省电力公司 | 虚拟网资源分配方法、设备、介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130014101A1 (en) * | 2011-07-06 | 2013-01-10 | Microsoft Corporation | Offering Network Performance Guarantees in Multi-Tenant Datacenters |
WO2014202016A1 (zh) * | 2013-06-20 | 2014-12-24 | 中国科学院声学研究所 | 一种基于分类的虚拟网络映射方法及系统 |
CN111343027A (zh) * | 2020-03-11 | 2020-06-26 | 中国电子科技集团公司第五十四研究所 | 一种基于遗传算法的网络切片部署方法和装置 |
CN111756654A (zh) * | 2020-06-05 | 2020-10-09 | 深圳供电局有限公司 | 一种基于可靠性的大规模虚拟网资源分配方法 |
CN111935748A (zh) * | 2020-08-18 | 2020-11-13 | 国网河南省电力公司信息通信公司 | 一种可靠性高和负载均衡的虚拟网资源分配方法 |
CN112636961A (zh) * | 2020-12-15 | 2021-04-09 | 国网河南省电力公司信息通信公司 | 网络切片下基于可靠性和分流策略的虚拟网资源分配方法 |
-
2021
- 2021-05-26 CN CN202110581842.0A patent/CN113163498B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130014101A1 (en) * | 2011-07-06 | 2013-01-10 | Microsoft Corporation | Offering Network Performance Guarantees in Multi-Tenant Datacenters |
WO2014202016A1 (zh) * | 2013-06-20 | 2014-12-24 | 中国科学院声学研究所 | 一种基于分类的虚拟网络映射方法及系统 |
CN111343027A (zh) * | 2020-03-11 | 2020-06-26 | 中国电子科技集团公司第五十四研究所 | 一种基于遗传算法的网络切片部署方法和装置 |
CN111756654A (zh) * | 2020-06-05 | 2020-10-09 | 深圳供电局有限公司 | 一种基于可靠性的大规模虚拟网资源分配方法 |
CN111935748A (zh) * | 2020-08-18 | 2020-11-13 | 国网河南省电力公司信息通信公司 | 一种可靠性高和负载均衡的虚拟网资源分配方法 |
CN112636961A (zh) * | 2020-12-15 | 2021-04-09 | 国网河南省电力公司信息通信公司 | 网络切片下基于可靠性和分流策略的虚拟网资源分配方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113727450A (zh) * | 2021-08-13 | 2021-11-30 | 中国科学院计算技术研究所 | 一种基于资源隔离与复用的网络切片无线资源分配方法 |
CN113727450B (zh) * | 2021-08-13 | 2024-03-08 | 中国科学院计算技术研究所 | 一种基于资源隔离与复用的网络切片无线资源分配方法 |
CN113746677A (zh) * | 2021-09-01 | 2021-12-03 | 之江实验室 | 一种面向5g新空口的网络切片内资源分配方法 |
CN113746677B (zh) * | 2021-09-01 | 2023-09-01 | 之江实验室 | 一种面向5g新空口的网络切片内资源分配方法 |
CN114157583A (zh) * | 2021-11-18 | 2022-03-08 | 广东电网有限责任公司 | 一种基于可靠性的网络资源启发式映射方法及系统 |
CN114157583B (zh) * | 2021-11-18 | 2023-10-24 | 广东电网有限责任公司 | 一种基于可靠性的网络资源启发式映射方法及系统 |
CN114422375A (zh) * | 2021-12-10 | 2022-04-29 | 国网河南省电力公司 | 虚拟网资源分配方法、设备、介质及程序产品 |
CN114422375B (zh) * | 2021-12-10 | 2024-04-30 | 国网河南省电力公司 | 虚拟网资源分配方法、设备、介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN113163498B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113163498B (zh) | 5g网络切片下基于遗传算法的虚拟网资源分配方法及装置 | |
Li et al. | Energy-efficient and quality-aware VM consolidation method | |
CN113193984B (zh) | 一种空天地一体化网络资源映射方法及系统 | |
Yagoubi et al. | Dynamic load balancing strategy for grid computing | |
CN110753009B (zh) | 基于多QoS分组的虚拟机和网络带宽联合分配方法 | |
Nabi et al. | DRALBA: Dynamic and resource aware load balanced scheduling approach for cloud computing | |
CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
CN113114517B (zh) | 网络切片下基于节点特征的网络资源动态备份方法及系统 | |
CN108270805B (zh) | 用于数据处理的资源分配方法及装置 | |
Sheng et al. | Template-based genetic algorithm for QoS-aware task scheduling in cloud computing | |
Pathak et al. | A model for virtual network embedding across multiple infrastructure providers using genetic algorithm | |
CN114968510A (zh) | 一种基于改进蚁群算法的多目标动态任务调度方法和系统 | |
CN111611076B (zh) | 任务部署约束下移动边缘计算共享资源公平分配方法 | |
CN115134371A (zh) | 包含边缘网络算力资源的调度方法、系统、设备及介质 | |
CN111756654A (zh) | 一种基于可靠性的大规模虚拟网资源分配方法 | |
CN112187535A (zh) | 雾计算环境下服务器部署方法及装置 | |
CN114423023B (zh) | 一种面向移动用户的5g网络边缘服务器部署方法 | |
CN113114514B (zh) | 一种基于多属性层次分析法的网络资源备份方法及系统 | |
CN117042047B (zh) | 一种基于任务优先级的资源分配方法、装置、控制器及系统 | |
CN107155215B (zh) | 一种应用归属服务集群的分配方法和装置 | |
CN109245948B (zh) | 安全感知的虚拟网络映射方法及其装置 | |
CN115168017B (zh) | 一种任务调度云平台及其任务调度方法 | |
CN113079053B (zh) | 网络切片下基于粒子群理论的虚拟资源重配置方法及系统 | |
CN115981843A (zh) | 云边协同电力系统中任务调度方法、装置和计算机设备 | |
Xiao et al. | A dynamic and resource sharing virtual network mapping algorithm |
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 |