CN113347589B - 一种面向智能配电业务的虚拟网络资源分配方法 - Google Patents
一种面向智能配电业务的虚拟网络资源分配方法 Download PDFInfo
- Publication number
- CN113347589B CN113347589B CN202110633073.4A CN202110633073A CN113347589B CN 113347589 B CN113347589 B CN 113347589B CN 202110633073 A CN202110633073 A CN 202110633073A CN 113347589 B CN113347589 B CN 113347589B
- Authority
- CN
- China
- Prior art keywords
- link
- links
- mapped
- service
- virtual
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013468 resource allocation Methods 0.000 title claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 230000008447 perception Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种面向智能配电业务的虚拟网络资源分配方法,涉及通信技术领域;首先、针对基础设施层的每条链路,分别计算链路相关的四个评价指标并输入随机森林分类器模型中,输出各链路的可靠度;并利用各链路的故障率指标,计算所有链路对应的风险方差和;然后,对各链路的可靠度和所有链路的风险方差和进行加权求和,建立目标函数,并在满足目标函数最小的情况下,基于主链路映射算法求解,按照优先级从高到低的顺序为各业务分配从大到小的可靠度对应的主链路。最后,针对已分配主链路的各请求业务,通过带宽资源共享的辅链路映射算法,为其分别选择对应的辅链路;本发明保障了高可靠性业务的传输可靠,降低了辅链路映射带来的资源浪费。
Description
技术领域
本发明涉及通信技术领域,具体是一种面向智能配电业务的虚拟网络资源分配方法。
背景技术
随着智能配电网的高速发展以及用户需求的增加,导致配电网业务的种类和数量日渐增多,传统的单一组网结构逐渐失去了对数量较高、种类繁多业务的承载能力,如带宽等因素。为了适配智能配电网发展带来的业务挑战,对传统网络升级或组建新的网络无疑提高了成本。
基于此,研究工作者提出网络虚拟化技术,使得逻辑隔离的多个虚拟网络共享底层物理网络的数据资源,实现网络资源的弹性管理。传统的虚拟映射算法是:为每一个业务在底层基础设施层都分配了一条路径,而当底层基础设施网络出现故障时,传统的虚拟映射算法难以保证为业务提供所需的网络资源传输的稳定性。
目前,已经有大量的文献对虚拟网络资源分配问题进行了研究,主要是考虑底层网络节点或链路失效时虚拟网络的可靠性问题。结合不同的机制,相应的出现了基于节点可靠性感知和共享路径保护的虚拟网映射算法RVNM,以及基于完全冗余机制的虚链路映射算法SVNE等。但是,智能配电网业务流量传输具有事件性、动态性,使得网络运行状态等可靠性指标频繁变化,虚拟业务往往难以映射到较为可靠的网络资源上。
考虑到虚链路的请求和实际路径的情况,从复杂的指标衡量得到可靠链路是极其重要的。针对这样的数据特点,结合随机森林的可靠性评估模型可以进一步提高业务映射到的网络资源的可靠性,同时通过神经网路模型预测基础设施层网络中各链路故障率,在此基础上建立业务风险均衡模型,可满足不同种类业务对传输质量的需求,同时降低了单点网络故障影响较多业务的风险。
此外,对于传统辅链路1:1映射带来的带宽冗余,提出主、辅链路不相交,以及共享带宽资源的辅链路其主链路在一定条件不相交等约束条件,同时最小化网络资源开销,构建辅链路带宽资源共享模型,可提高业务传输可靠性,同时降低业务映射的阻塞率。
发明内容
本发明针对虚拟网络业务的资源分配问题,为了保障高可靠性业务的传输可靠和降低辅链路映射的资源浪费,提出了一种面向智能配电业务的虚拟网络资源分配方法;通过搭建基础设施层、虚拟网络提供层以及虚拟业务请求层的虚拟资源分配网络模型,并在映射阶段包含基于网络状态感知和业务优先级的主链路映射算法,以及基于资源共享的辅链路映射算法,满足了各类业务对传输阶段的差异性需求。
所述的虚拟网络资源分配方法,具体步骤如下:
步骤一、针对基础设施层的当前链路ls,计算链路故障率,链路剩余带宽,链路带宽利用率和链路业务阻塞率的四个评价指标;
链路的故障率:使用神经网络模型对当前链路ls进行下一时刻故障率的预测;
具体为:
首先,收集样本链路在不同时刻的故障率,共得到n个故障率样本;
然后,对每个样本分别进行归一化处理;将归一化后的样本数据按时间先后顺序排序后分成n-k组,每组样本集合都包括k+1个样本;前k个样本作为神经网络模型的输入,最后一个样本作为输出;最后,对输出的各组样本结果进行反归一化计算,反归一化值即为下一时刻的故障率ηfault;
链路剩余带宽Bs(ls)的计算公式如下:
Bs(ls)=Bmax(ls)-Bmaster-Bslva
Bmax(ls)是链路ls的最大带宽资源;Bslva为当前链路ls所有业务已映射的辅链路占用的带宽资源之和;Bmaster为当前链路ls所有业务已映射的主链路占用的带宽资源之和;
链路业务阻塞率ηlink-block的计算公式如下:
步骤二、将当前链路ls的四个评价指标一起输入训练好的随机森林分类器模型中,输出当前链路ls的可靠度Rs(ls);
计算公式为:
Rs(ls)=RandomModel(x)
x代表该链路ls的四个评价指标;
根据可靠度Rs(ls)的值,匹配当前链路所属的等级标签;
等级标签包括:非常通畅、基本通畅、稳定运行、阻塞、一般阻塞或非常阻塞;
步骤三、同理,针对基础设施层的其他各条链路,都重复计算出各自的可靠度;
步骤四、利用基础设施层各链路的故障率指标,计算所有链路对应的风险方差和;
步骤如下:
步骤401、利用链路故障率ηfault计算当链路ls同时承载N个业务时的风险;
计算公式如下:
其中ai为当前链路ls第i个业务对应的优先级。
同理,计算出基础设施层中其余各链路同时承载多个业务时各自的风险;
步骤402、根据各链路的风险计算总的链路风险均值μ;
计算公式如下:
Es为基础设施层中所有链路的集合,E代表基础设施层中链路总数;
步骤403、利用各链路的风险以及链路风险均值,计算基础设施层中所有链路的风险方差和;
风险方差和计算公式为:
步骤五、利用各链路的可靠度以及基础设施层中所有链路的风险方差和进行加权求和,建立目标函数,并在满足目标函数最小的情况下,基于主链路映射算法求解,按照优先级从高到低的顺序为各业务分配从大到小的可靠度对应的主链路。
目标函数公式为:
约束条件如下:
步骤六、针对当前已分配主链路的各请求业务,通过基于带宽资源共享的辅链路映射算法,为其分别选择保护路径作为各请求业务对应的辅链路;
步骤如下:
步骤601、针对当前已分配主链路的请求业务p,从所有映射链路中按顺序选择一条待映射链路lv,构建当前虚拟网络提供层Gs的副本G′s,并去除副本G′s中剩余带宽不满足待映射链路lv带宽的链路,以及与待映射虚链路lv的主链路交叉的链路。
步骤602、对于副本G′s中剩余的每一条链路,分别判断已被其他业务映射的辅链路的主链路是否与待映射链路lv的主链路有交叉,如果有,则去除该已被其他业务映射的辅链路;并选择下一个已被映射的辅链路重新判断;否则,进行步骤603;
步骤603、取副本G′s中一条链路l,计算该链路上一个已被其他业务映射的辅链路与待映射链路lv共享带宽资源时的带宽消耗CB-consumed:
tv是待映射链路lv传输时所占用的时间;t是待映射链路l传输时所占用的时间;B(lv)是待映射链路lv的带宽资源;B(l)是链路l的带宽资源;
步骤604、将带宽消耗CB-consumed添加到带宽消耗集合Carray中,继续选择链路l上下一个已被其他业务映射辅链路,计算其带宽消耗CB-consumed,直至该链路l上的已映射辅链路遍历完。
步骤605、从集合Carray中选择max(Carray)作为副本G′s中链路l的权值,更新到链路l上。
步骤606、返回步骤603,继续从副本G′s中选择下一个链路l',计算带宽消耗并选择最大值作为链路l'的权值,更新到链路l'上;直至副本G′s中所有的链路权值全部更新完毕。
步骤607、根据副本G′s中所有更新的链路权值,建立带宽资源消耗最小化目标函数及约束条件;
公式如下:
约束条件如下:
为虚拟请求业务j映射的主链路集合,为链路ls中共享带宽资源的虚拟请求业务的对应主链路集合,表示链路ls中共享带宽资源的虚拟请求业务集合,即表示共享链路ls带宽资源的虚拟请求业务,其主链路不允许存在路径交叉。
步骤608、根据目标函数选一条满足约束条件的且权值求和加起来最小的路径,作为当前业务p的待映射链路lv对应的辅链路;
步骤609、从请求业务p的所有映射链路中选择下一条待映射链路l′v,重复步骤601-608,得到该待映射链路l′v对应的辅链路;直至将请求业务p中所有待映射链路的辅链路全部更新完毕;
步骤610、同理,将当前已分配主链路的各其余请求业务的映射链路分别分配各自对应的辅链路。
本发明的优点在于:
1)、一种面向智能配电业务的虚拟网络资源分配方法,使用了基于可靠性感知的主链路映射算法和基于带宽资源共享的辅链路映射算法,综合考虑了网络运行状态情况和基础设施层的负载均衡,在保证业务主链路可靠度的基础上,最大化辅链路的资源利用率,保障了高可靠性业务的传输可靠性,也降低了辅链路映射带来的资源浪费。
2)、一种面向智能配电业务的虚拟网络资源分配方法,考虑到实际网络传输中的事件性、动态性等复杂特点,结合FCM聚类算法模型可以进一步提高对网络运行状态等级判定的正确性。机器学习算法模型可以容忍一定的数据缺失,适应各种形式的数据类型,提高了虚拟链路映射方法的成功率和普适性。
附图说明
图1为本发明一种基于可靠性感知的主链路映射算法的原理图;
图2为本发明三层虚拟网络架构下的虚拟网络映射模型;
图3为本发明一种基于可靠性感知的主链路映射算法的流程图;
图4为本发明中基于随机森林的网络评估模型训练过程;
图5为本发明实例中带宽资源共享映射模型图;
图6为本发明实例中释放了部分带宽资源图。
具体实施方式
下面结合实施例和附图,对本发明的实施方式做详细、清楚的描述。
本发明一种面向智能配电业务的虚拟网络资源分配方法,所述的智能配电通信网虚拟资源分配网络模型分为三层:基础设施层、虚拟网络提供层以及虚拟业务请求层,如图1所示,使用基于FCM聚类分析的四个评价指标等级划分网络流量运行状态,根据状态标记样本,训练随机森林分类器模型,输出链路可靠度;同时结合到达的一个网络业务,基于网络状态感知和业务优先级的主链路映射算法,以及基于资源共享的辅链路映射算法,得到该业务在网络中运行的主链路和辅链路。如图2所示,本发明通过对底层基础网络的运行状态进行综合评估,为虚拟业务请求层来的业务在虚拟网络提供层的映射阶段提供网络感知能力。通过获取链路在不同时刻的故障率作为样本数据,进行特征提取和模型的训练;通过对模型进行评估和优化,得到评估结果;本发明在映射阶段包含基于网络状态感知和业务优先级的主链路映射算法和基于资源共享的辅链路映射算法,满足了各类业务对传输阶段的差异性需求,同保障了高可靠性业务的传输可靠性,同时也降低了辅链路映射带来了资源浪费。
所述的虚拟网络资源分配方法,如图3所示,具体步骤如下:
步骤一、针对基础设施层的当前链路ls,计算链路故障率,链路剩余带宽,链路带宽利用率和链路业务阻塞率的四个评价指标,用以对网络流量运行状态进行等级划分;
建立评价指标体系如图4所示,具体为:
1)链路的故障率ηfault:使用神经网络模型对当前链路ls进行预测的故障率;
具体为:
首先、针对基础设施层的某条链路ls,收集该链路在不同时刻的故障率作为样本,共得到n个故障率样本,{λ1,λ2,λ3,...,λn},对每个样本分别进行归一化处理;
λi代表第i时刻的故障率样本;λmin代表该链路所有故障率样本中的最小样本,λmax代表该链路所有故障率样本中的最大样本;λ′i代表第i时刻的故障率样本的归一化值。
然后、将归一化后的样本数据按时间先后顺序排序后分成n-k组;各组样本均包括k+1个值,依次为:{λ′1,λ′2,...,λ′k+1},{λ′2,λ′3,...,λ′k+2},……;其中,前k个样本作为神经网络模型的输入,最后一个样本λ′k+1作为输出;
接着、设置神经网络模型输入层神经元的个数为k、输出层神经元的个数为1;将n-k组样本集合依次输入神经网络模型,对输出的各组样本结果进行反归一化计算,得出下一时刻的故障率ηfault;
反归一化计算公式为:
λn+1=(λmax-λmin)λ′n+1+λmin;
λ′n+1为各组样本集合中最后一个样本归一化后的值;
反归一化值即为该链路下一时刻的故障率:ηfault=λn+1;
2)链路剩余带宽Bs(ls)的计算公式如下:
Bs(ls)=Bmax(ls)-Bmaster-Bslva
Bmax(ls)是链路ls的最大带宽资源;Bslva为当前链路ls所有业务已映射的辅链路占用的带宽资源之和;
Bmaster为当前链路ls所有业务已映射的主链路占用的带宽资源之和;计算公式为:
4)链路业务阻塞率ηlink-block的计算公式如下:
步骤二、将当前链路ls的四个评价指标一起输入训练好的随机森林分类器模型中,输出当前链路ls的可靠度Rs(ls);
首先,将链路带宽利用率、链路剩余带宽、链路业务阻塞率和链路故障率四个评价指标采用FCM聚类分析进行聚类,分为六个状态等级:非常畅通、基本畅通、稳定运行、阻塞、一般阻塞、非常阻塞。
然后,基于上述等级划分结果,对网络流量运行参数的样本数据进行标记,按照4:1的比例划分为训练集和测试集;初始化随机森林并输入训练集数据,生成随机森林分类器,进而将测试集数据输入到该分类器中,通过比较实际网络运行状态等级与随机森林分类结果,评估模型的训练情况。
选取准确性、一致性来验证模型的有效性;其中准确性计算方法:
A=M/N*100%
A为准确率,M为正确的结果,N为全部的结果。
之后,不断调整参数直到找到分类效果最好的模型。
最终,通过该模型计算出基础网络层各个链路的可靠度Rs(ls),Rs(ls)与可靠性成反比,其中0≤Rs(ls)≤1;计算公式为:
Rs(ls)=RandomModel(x)
x代表该链路ls的四个评价指标;
基于随机森林的可靠性评估方法,为虚拟网络提供层提供了基础设施层各链路的可靠度,在此基础上建立风险均衡策略,计算整个网络风险值,以路径可靠度和网络风险方差最小为目标函数,实现基于可靠性感知和风险均衡的主链路映射算法。
步骤三、同理,针对基础设施层的其他各条链路,都重复计算出各自的可靠度;
步骤四、利用基础设施层各链路的故障率指标,计算所有链路对应的风险方差和;
步骤如下:
步骤401、制定风险均衡策略,利用链路故障率ηfault计算当链路ls同时承载N个业务时的风险;
计算公式如下:
其中ai为当前链路ls第i个业务对应的优先级。在配用电通信网中保护控制类、信息采集类、市场营销类、移动应用类四类业务。
同理,计算出基础设施层中其余各链路同时承载多个业务时各自的风险;
步骤402、根据各链路的风险计算总的链路风险均值μ;
计算公式如下:
Es为基础设施层中所有链路的集合,E代表基础设施层中链路总数,μ代表链路风险均值。
步骤403、利用各链路的风险以及链路风险均值,计算基础设施层中所有链路的风险方差和;
风险方差和计算公式为:
步骤五、利用各链路的可靠度以及基础设施层中所有链路的风险方差和进行加权求和,建立目标函数,并在满足目标函数最小的情况下,基于主链路映射算法求解,按照优先级从高到低的顺序为各业务分配从大到小的可靠度对应的主链路。
由于智能配用电通信网中,不同场景的业务类型对可靠性要求不同,因此采用各链路风险方差的加权和,调控可靠性的权值为不同优先级业务提供差异化可靠度需求,建立如下目标函数:
为虚拟业务请求层第j个请求业务的虚拟链路;为虚拟业务请求层映射的虚拟路径链路集合;为当虚拟请求业务j中虚拟链路在基础设施层链路ls中是否有主链路映射的标识;当虚拟链路在链路ls有主链路映射时标识否则为0。
根据目标函数和约束条件,基于可靠性感知的主链路映射算法可以优先为业务优先级较高的链路分配可靠度较高的链路。同时均衡了基础设施层各链路故障的风险,提高了整个网络的抗风险能力。
步骤六、针对当前已分配主链路的各请求业务,通过基于带宽资源共享的辅链路映射算法,为其分别选择保护路径作为各请求业务对应的辅链路;
步骤如下:
步骤601、针对当前已分配主链路的请求业务p,从所有的映射链路中按顺序选择一条待映射链路lv,构建当前虚拟网络提供层Gs的副本G′s,并去除副本G′s中剩余带宽不满足待映射链路lv带宽的链路,以及与待映射虚链路lv的主链路交叉的链路。
步骤602、对于副本G′s中剩余的每一条链路,分别判断已被其他业务映射的辅链路的主链路是否与待映射链路lv的主链路有交叉,如果有,则去除该已被其他业务映射的辅链路;并选择下一个已被映射的辅链路重新判断;否则,进行步骤603;
步骤603、取副本G′s中一条链路l,计算该链路上一个已被其他业务映射的辅链路与待映射链路lv共享带宽资源时的带宽消耗CB-consumed:
tv是待映射链路lv传输时所占用的时间;B(lv)是待映射链路lv的带宽资源;B(l)是链路l的带宽资源;
步骤604、将带宽消耗CB-consumed添加到带宽消耗集合Carray中,继续选择链路l上下一个已被其他业务映射辅链路,计算其带宽消耗CB-consumed,直至该链路l上的已映射辅链路遍历完。
步骤605、从集合Carray中选择max(Carray)作为副本G′s中链路l的权值,更新到链路l上。
步骤606、返回步骤603,继续从副本G′s中选择下一个链路l',计算带宽消耗并选择最大值作为链路l'的权值,更新到链路l'上;直至副本G′s中所有的链路权值全部更新完毕。
步骤607、根据副本G′s中所有更新的链路权值,建立带宽资源消耗最小化目标函数及约束条件;
公式如下:
约束条件如下:
在某一时段当多个业务同时共享带宽资源时,会有一定风险。即当多个虚拟请求业务共享某一条辅链路的带宽资源,它们各自的主链路又存在路径交叉时,如果该交叉链路发生故障时,其中仅有一个业务能够通过辅链路传输成功,将导致其他的业务传输失败,该情况大大影响了业务传输的可靠性。为了避免该情况发生,建立约束如下:
其中,为虚拟请求业务j映射的主链路集合,为链路ls中共享带宽资源的虚拟请求业务的对应主链路集合,表示虚拟网络提供层链路ls中共享带宽资源的虚拟请求业务集合,即表示共享链路ls带宽资源的虚拟请求业务,其主链路不允许存在路径交叉。
该约束一定程度的避免了单链路故障对共享带宽的各个虚拟请求业务的影响,提高了在共享带宽资源下的业务传输可靠性。
步骤608、根据目标函数选一条满足约束条件的且权值求和加起来最小的路径,作为当前请求业务p的待映射链路lv对应的辅链路。
根据目标函数和约束条件,使得满足一定条件的业务共享底层链路的带宽资源,从而在进一步降低资源消耗的同时,不影响业务传输的可靠性。
步骤609、从请求业务p的所有映射链路中选择下一条待映射链路l′v,重复步骤601-608,得到该待映射链路l′v对应的辅链路;直至将请求业务p中所有待映射链路的辅链路全部更新完毕;
步骤610、同理,将当前已分配主链路的各请求业务分别分配各自对应的辅链路。
实施例:
步骤一、确定网络中业务的优先级,以便后续计算风险。
智能配电通信网中承载着多种类型的业务,不同的业务对可靠性的要求不同,按照可靠性要求的高低将业务分为不同的优先级,本实施例将业务分为4类,对应1,2,3,4类优先级。同时业务的到达时间服从均匀分布,服务时间服从指数分布,离开的时间等于服务时间与到达时间的和。
设定各类业务优先级对应的权重α如下:
业务类型 | 保护控制类 | 信息采集类 | 市场营销类 | 移动应用类 |
权重α | 1 | 2 | 3 | 4 |
步骤二、使用网络运行状态的评价指标进行FCM聚类得到网络运行状态等级划分。
结合实际情况,将网络运行状态分为6个等级,确定聚类类别数c=6。
根据相关研究确定模糊加权指数t=2;在满足精度的情况下,确定一个相对较小的迭代停止条件阈值ε=10-7;使用k-means确定FCM聚类算法的初始聚类中心;在输入配用电通信网网络指标数据样本到聚类分析算法中后,得到链路带宽利用率、链路剩余带宽、链路风险值、链路业务阻塞率在不同网络状态等级下的模糊取值范围。
步骤三、使用基于FCM聚类分析的等级划分结果对网络流量运行指标参数进行标记。
可以更加清晰的划分网络的运行状态,对随机森林模型进行训练,生成准确有效的随机森林模型,用来计算链路的可靠度。
步骤四、当一个业务到达时,开始基于网络状态感知和业务优先级的主链路映射算法。
构建当前虚拟业务请求层Gv=(Nv,Ev)与虚拟网络提供层Gs=(Ns,Es),链路权值为每一个虚拟链路的带宽请求,并将其复制一份作为辅助图G′s;
步骤五、使用基于随机森林的可靠性评估模型,根据当前网络流量运行指标参数计算当前虚拟网络提供层中各链路的可靠度,并通过神经网络模型得到各链路的故障率ηfault。
步骤六、该业务虚链路组成集合VLS,提取其中一条待映射链路VL;
步骤七、通过虚节点候选集合得到当前待映射链路VL两端节点的候选集合vnodel1、vnode2并通过最短路径选择出vnodel1、vnode2中各节点之间的路径。
步骤十、采用可靠度与各链路风险方差的加权和,通过调控可靠性的权值为不同优先级业务提供差异化的可靠度需求,将链路可靠度和链路风险方差带入目标函数:
接下来进行基于带宽资源共享的辅链路映射算法,如图5所示,在带宽资源共享前,e1和e3是1:1资源占用CB链路的,e2和e4也是1:1资源占用BF链路的。
具体步骤如下:
步骤三、当不为空时,提取中辅链路l,检查该辅链路l与待映射链路lv对应的主链路是否有链路交叉,如果存在,继续遍历下一条辅链路l';否则计算当待映射链路与辅链路l共享带宽资源时的带宽消耗CB-consumed,并将CB-consumed添加到带宽消耗集合Carray中,直至集合上的已映射辅链路遍历完。
步骤四、从集合Carray中选择max(Carray)更新到辅助图G's中链路ls的权值;
步骤五、继续从副本G′s中选择下一个链路l′s,计算带宽消耗并选择最大值作为链路l′s的权值,更新到链路l′s上;直至副本G′s中所有的链路权值全部更新完毕。
步骤六、基于辅助图G′s,以带宽消耗作为权值使用最短路算法计算该待映射链路两端节点之间的k条路径集合P'。
步骤七、提取path∈P',path中链路集合L′slva。
如图6所示,此时e1和e3是共享CB链路的,e2和e4也是共享BF链路的,其主链路并没有交叉,因此在保障可靠性的前提下,释放了部分带宽资源。
至此基于可靠性感知和风险均衡的主链路映射算法和基于带宽资源共享的辅链路映射算法完成。
Claims (6)
1.一种面向智能配电业务的虚拟网络资源分配方法,其特征在于,具体步骤如下:
首先,针对基础设施层的各条链路,分别计算各自的链路故障率,链路剩余带宽,链路带宽利用率和链路业务阻塞率四个评价指标;并将四个评价指标一起输入训练好的随机森林分类器模型中,输出各链路对应的可靠度;
然后、利用基础设施层各链路的故障率指标,计算所有链路对应的风险方差和;
所述的风险方差和的具体过程如下:
首先、利用链路故障率ηfault计算当链路ls同时承载N个业务时的风险;
计算公式如下:
其中ai为当前链路ls第i个业务对应的优先级;
同理,计算出基础设施层中其余各链路同时承载多个业务时各自的风险;
然后、根据各链路的风险计算总的链路风险均值μ;
计算公式如下:
Es为基础设施层中所有链路的集合,E代表基础设施层中链路总数;
最后、利用各链路的风险以及链路风险均值,计算基础设施层中所有链路的风险方差和;
风险方差和计算公式为:
接着、利用各链路的可靠度以及所有链路的风险方差和进行加权求和,建立目标函数,并在满足目标函数最小的情况下,基于主链路映射算法求解,按照优先级从高到低的顺序为各业务分配从大到小的可靠度对应的主链路;
目标函数公式为:
最后、针对当前已分配主链路的各请求业务,通过基于带宽资源共享的辅链路映射算法,为其分别选择保护路径作为各请求业务对应的辅链路。
2.如权利要求1所述的一种面向智能配电业务的虚拟网络资源分配方法,其特征在于,所述的四个评价指标具体为:
链路的故障率为:使用神经网络模型对当前链路进行下一时刻故障率的预测;
链路剩余带宽Bs(ls)的计算公式如下:
Bs(ls)=Bmax(ls)-Bmaster-Bslva
Bmax(ls)是链路ls的最大带宽资源;Bslva为当前链路ls所有业务已映射的辅链路占用的带宽资源之和;Bmaster为当前链路ls所有业务已映射的主链路占用的带宽资源之和;
链路业务阻塞率ηlink-block的计算公式如下:
3.如权利要求2所述的一种面向智能配电业务的虚拟网络资源分配方法,其特征在于,所述的链路故障率具体为:
首先,收集样本链路在不同时刻的故障率,共得到n个故障率样本;
然后,对每个样本分别进行归一化处理;将归一化后的样本数据按时间先后顺序排序后分成n-k组,每组样本集合都包括k+1个样本;前k个样本作为神经网络模型的输入,最后一个样本作为输出;最后,对输出的各组样本结果进行反归一化计算,反归一化值即为下一时刻的故障率ηfault。
4.如权利要求1所述的一种面向智能配电业务的虚拟网络资源分配方法,其特征在于,所述的链路ls对应的可靠度计算公式为:
Rs(ls)=RandomModel(x)
x代表该链路ls的四个评价指标;
根据可靠度Rs(ls)的值,匹配当前链路所属的等级标签;
等级标签包括:非常通畅、基本通畅、稳定运行、阻塞、一般阻塞或非常阻塞。
6.如权利要求1所述的一种面向智能配电业务的虚拟网络资源分配方法,其特征在于,所述的基于带宽资源共享的辅链路映射算法,为各请求业务计算对应的辅链路的具体过程如下:
步骤601、针对当前已分配主链路的请求业务p,从所有映射链路中按顺序选择一条待映射链路lv,构建当前虚拟网络提供层Gs的副本G′s,并去除副本G′s中剩余带宽不满足待映射链路lv带宽的链路,以及与待映射虚链路lv的主链路交叉的链路;
步骤602、对于副本G′s中剩余的每一条链路,分别判断已被其他业务映射的辅链路的主链路是否与待映射链路lv的主链路有交叉,如果有,则去除该已被其他业务映射的辅链路;并选择下一个已被映射的辅链路重新判断;否则,进行步骤603;
步骤603、取副本G′s中一条链路l,计算该链路上一个已被其他业务映射的辅链路与待映射链路lv共享带宽资源时的带宽消耗CB-consumed:
tv是待映射链路lv传输时所占用的时间;t是待映射链路l传输时所占用的时间;B(lv)是待映射链路lv的带宽资源;B(l)是链路l的带宽资源;
步骤604、将带宽消耗CB-consumed添加到带宽消耗集合Carray中,继续选择链路l上下一个已被其他业务映射辅链路,计算其带宽消耗CB-consumed,直至该链路l上的已映射辅链路遍历完;
步骤605、从集合Carray中选择max(Carray)作为副本G′s中链路l的权值,更新到链路l上;
步骤606、返回步骤603,继续从副本G′s中选择下一个链路l',计算带宽消耗并选择最大值作为链路l'的权值,更新到链路l'上;直至副本G′s中所有的链路权值全部更新完毕;
步骤607、根据副本G′s中所有更新的链路权值,建立带宽资源消耗最小化目标函数及约束条件;
公式如下:
约束条件如下:
为虚拟请求业务j映射的主链路集合,为链路ls中共享带宽资源的虚拟请求业务的对应主链路集合,表示链路ls中共享带宽资源的虚拟请求业务集合,即表示共享链路ls带宽资源的虚拟请求业务,其主链路不允许存在路径交叉;
步骤608、根据目标函数选一条满足约束条件的且权值求和加起来最小的路径,作为当前业务p的待映射链路lv对应的辅链路;
步骤609、从请求业务p的所有映射链路中选择下一条待映射链路l′v,重复步骤601-608,得到该待映射链路l′v对应的辅链路;直至将请求业务p中所有待映射链路的辅链路全部更新完毕;
步骤610、同理,将当前已分配主链路的各其余请求业务的映射链路分别分配各自对应的辅链路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633073.4A CN113347589B (zh) | 2021-06-07 | 2021-06-07 | 一种面向智能配电业务的虚拟网络资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633073.4A CN113347589B (zh) | 2021-06-07 | 2021-06-07 | 一种面向智能配电业务的虚拟网络资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347589A CN113347589A (zh) | 2021-09-03 |
CN113347589B true CN113347589B (zh) | 2022-03-25 |
Family
ID=77474852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633073.4A Active CN113347589B (zh) | 2021-06-07 | 2021-06-07 | 一种面向智能配电业务的虚拟网络资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347589B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567591B (zh) * | 2022-03-01 | 2024-03-08 | 广东电网有限责任公司 | 电力业务路由优化方法、装置、终端设备及介质 |
CN115913994B (zh) * | 2022-10-21 | 2023-07-18 | 国家电网公司西南分部 | 基于故障分类的光网络抗毁方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106487707A (zh) * | 2016-09-29 | 2017-03-08 | 北京邮电大学 | 一种电力通信虚拟容错网络映射方法及装置 |
CN107438015A (zh) * | 2017-06-28 | 2017-12-05 | 北京邮电大学 | 一种智能电力通信网虚拟资源映射方法及装置 |
CN108076158A (zh) * | 2018-01-08 | 2018-05-25 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN110062404A (zh) * | 2019-04-29 | 2019-07-26 | 西安电子科技大学 | 核心网中具备单链路故障恢复的虚拟链路映射方法 |
CN110191382A (zh) * | 2019-06-27 | 2019-08-30 | 北京邮电大学 | 一种基于路径排序的虚链路优先映射方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107770096B (zh) * | 2017-12-11 | 2021-07-30 | 国网河南省电力公司信息通信公司 | 一种基于负载均衡的sdn/nfv网络动态资源分配方法 |
-
2021
- 2021-06-07 CN CN202110633073.4A patent/CN113347589B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106487707A (zh) * | 2016-09-29 | 2017-03-08 | 北京邮电大学 | 一种电力通信虚拟容错网络映射方法及装置 |
CN107438015A (zh) * | 2017-06-28 | 2017-12-05 | 北京邮电大学 | 一种智能电力通信网虚拟资源映射方法及装置 |
CN108076158A (zh) * | 2018-01-08 | 2018-05-25 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN110062404A (zh) * | 2019-04-29 | 2019-07-26 | 西安电子科技大学 | 核心网中具备单链路故障恢复的虚拟链路映射方法 |
CN110191382A (zh) * | 2019-06-27 | 2019-08-30 | 北京邮电大学 | 一种基于路径排序的虚链路优先映射方法 |
Non-Patent Citations (2)
Title |
---|
空间信息网络任务智能识别方法;杨力等;《计算机科学》;20191226(第04期);全文 * |
面向多链路故障的生存性虚拟网络映射算法;朱国晖等;《计算机工程》;20191123(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113347589A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113347589B (zh) | 一种面向智能配电业务的虚拟网络资源分配方法 | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
CN107294775B (zh) | 基于层次分析法和遗传算法的通信网优化方法 | |
CN112118176B (zh) | 一种面向业务可靠性的综合数据网通道路由负载优化方法 | |
CN111106999A (zh) | 一种ip-光网络通信业务联合分配方法及装置 | |
CN110222972B (zh) | 一种基于数据驱动的城市轨道交通路网协同限流方法 | |
Yeh | An improved NSGA2 to solve a bi-objective optimization problem of multi-state electronic transaction network | |
CN108076158A (zh) | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 | |
CN112333712B (zh) | 一种网络规划资源处理方法和装置 | |
CN114095075B (zh) | 一种基于业务定制需求感知的光网络故障恢复方法 | |
CN114142923B (zh) | 光缆故障定位方法、装置、设备及可读介质 | |
CN108171369A (zh) | 基于客户用电差异化特性的短期负荷组合预测方法 | |
CN116501711A (zh) | 一种基于“存算分离”架构的算力网络任务调度方法 | |
Rodrigues et al. | Measures in sectorization problems | |
CN111415049A (zh) | 一种基于神经网络及聚类的停电敏感性分析方法 | |
CN117150416B (zh) | 一种工业互联网异常节点的检测方法、系统、介质及设备 | |
CN113285832A (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN111652459A (zh) | 一种计及新能源消纳多指标内涵的电网评价方法 | |
CN108170531A (zh) | 一种基于深度信念网络的云数据中心请求流调度方法 | |
CN110191382B (zh) | 一种基于路径排序的虚链路优先映射方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN1653486B (zh) | 模式的特征选择方法、分类方法、判定方法 | |
CN116681291B (zh) | 一种基于集成模型的风控预测方法及系统 | |
CN109858822B (zh) | 一种基于流关联分析的信息电力融合系统可靠性评估方法 | |
CN109889573B (zh) | 混合云中基于ngsa多目标的副本放置方法 |
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 |