CN113411819B - 一种5g nfv切片重配方法、系统、无线通信系统 - Google Patents
一种5g nfv切片重配方法、系统、无线通信系统 Download PDFInfo
- Publication number
- CN113411819B CN113411819B CN202110596302.XA CN202110596302A CN113411819B CN 113411819 B CN113411819 B CN 113411819B CN 202110596302 A CN202110596302 A CN 202110596302A CN 113411819 B CN113411819 B CN 113411819B
- Authority
- CN
- China
- Prior art keywords
- network
- slice
- link
- flow
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明属于无线通信技术领域,公开了一种5G NFV切片重配方法、系统、无线通信系统,所述5G NFV切片重配方法首先通过对虚拟切片层的流量进行预测,然后使用三角形不等式违反定理对超过峰值速率的局部流量进行迁移,流量迁移的同时完成虚拟层逻辑链路的迁移,即链路的重构完成了切片的重新配置。系统包括:网络物理层模块;虚拟切片层模块;预测模块;迁移模块。本发明最终通过仿真验证了该协议有效的提升了重新配置后网络的关键性能指标(吞吐量、时延以及能耗管理),同时使用Fridman、Holm统计学假设检验手段对仿真数据进行了分析,从统计学角度验证了本发明所提近似算法TME的有效性。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种5G NFV切片重配方法、系统、无线通信系统。
背景技术
目前:5G虚拟网络层的流量管理是目前的研究热点问题,为了更好的描述本发明算法,本发明将物理层无线通信基站等设备一一映射到虚拟网络层开放式虚拟交换机(Open Virtual Switches,OVSs),通过研究虚拟网络来反应真实的物理网络状态。每个OVS都会产生数据包并且可以转发数据包到基站,但受限于两个OVSs之间的最大允许流量速率允许(即峰值速率),在网络的局部某一条虚拟链路上的流量若大于峰值速率,则该路段会产生流量拥塞从而造成数据到达终端设备的延迟或者丢失,同时该现象破坏了初始阶段构建的5G网络切片以及网络功能虚拟化(Network function virtualization,NFV),导致网络无法执行软件定义化网络(Software Defined Networking,SDN)和虚拟化网络功能(Virtual Network Function,VNF)的协作配合,带宽、频谱、通信、计算等网络资源的虚拟分配受到很大的影响,不利于NFV的有效完成。所以需要将该路段的流量迁移到附近其它虚拟链路,从而完成虚拟切片的重新配置。
VNF的出现是通过在OVSs上运行网络软件来实现的,操作员可以动态地向内或向外扩展VNF实例,从而节省所需的资源。虚拟切片网络层中的流量是时变的,传统的流量管理架构往往满足网络流量的峰值需求,但资源利用率较低,资本和运营支出(OperatingExpenditure,OPEX)较高。NFV架构中的业务服务功能链(Service Function Chains,SFC)和NFV实例迁移都通过在OVS布置SDN来执行。任何服务都由一个SFC表示,SFC是一组VNFs,按照给定的顺序执行程序化。VNFs的运行需要VNF实例(VNF Instantiations,VNFIs)的实例化,VNFIs通常是在OVS上执行的软件化模块,VNFIs实际上是数据流组成的SFC。
基于流量管理的网络资源分配优化任务是一个复杂的多目标多约束的非凸优化问题,随着现代网络服务在成本效率方面不断增加,为了满足这些要求,在公共共享的物理网络基础设施上实现多个虚拟和独立的逻辑网络,称为网络切片。SDN是一种驱动技术,用于支持5G系统,提供增强的网络管理功能和软件。由VNF和SDN支持的网络切片体系结构已被证明是实现资源分配方案和算法的有效解决方案,以满足消费者和垂直市场的多样化和同时需求。例如,网络切片可以作为一种管理解决方案,以增强大规模物联网基础设施(如可穿戴设备)动态运行所需的网络资源共享。
网络切片范式可以用来定义整个网络切片,以涵盖对网络资源的弹性需求,并根据峰值速率或客户的期望可靠性水平等不同的操作和客户需求,将特定客户的工作负载相对应的移动网络动态运行所需的虚拟资源(例如OVS)的进行重新配置、缩放和迁移,迁移过程中受限于SDN流量控制以及不同的KPIs约束条件(例如峰值速率和时延约束)。此外,设计的网络切片动态迁移框架需要具有足够的灵活性,允许在不同的场景和不同的目的中,根据特定的操作需求在切片、客户或服务之间的网络资源分配中进行区分。
由于5G网络服务在峰值速率、时延和节点能耗效率方面不断增加,为了成功地向切片提供资源,必须解决一个上述复杂的优化问题,以便通过云网络分配资源,即通过高容量网络链路互连的分布式计算完成物理层到虚拟层的资源调度。通过VNF切片的最优配置以及切片最优迁移,最优化分配虚拟资源(频谱、带宽、通信、计算等)。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术未综合考虑流量预测以及流量迁移管理,从而更加高效的完成5G虚拟切片层的资源分配问题,提高了数据传输效率。
(2)现有技术在流量预测方面精度不高。
(3)现有技术的普适性不高,构建的网络既要保证数据的真实性准确性;同时保障数据传输的低延迟以及网络中节点的低能耗运行,延长网络的使用寿命技术难度较高。
解决以上问题及缺陷的难度为:由于数据传播介质的不确定性、复杂性以及需要传输的数据的维度越来越高考虑一种合适的拓扑结构具有很大的挑战。
解决以上问题主要考虑的问题为:本发明拟考虑5G网络eMBB应用场景对网络进行虚拟化操作,构建基于流量迁移且能量感知的网络切片自适应管理系统,在满足网络资源最优分配的同时自适应控制能耗,旨在提供5G网络切片的能源管理解决方案,并实现能耗的自适应管理。首先使用香农第二定理对t时刻的流量进行预测(与前t-1次相关),并对预测流量再做校正,如果预测到切片层某一虚拟链路流量超过峰值速率,则使用三角形不等式违反定理TIV进行流量迁移(Migration),以期减少流量拥塞,在提升网络能量管理效率的同时降低数据到达基站的延迟以及提升网络吞吐量。细化该网络中考虑的问题主要有以下几个方面:1)每一个OVS设置一个初始能量值,OVS监听、转发数据流需要消耗一定的能量;2)网络的吞吐量,网络运行一次产生的数据流量(MB);3)网络平均时延,即E2E平均时延.4)网络的OPEX,即通过虚拟层映射到物理层1km2内使用最少的无线通信设备以期达到1-3效果最好,即eMBB场景下最小OPEX下的最优KPIs,以期达到最优的资源分配效果。
解决以上问题及缺陷的意义为:5G网络切片层的资源分配问题是近几年的研究热点,涉及的问题愈来愈跟应用相关。满足网络资源利用率最大化的网络切片技术、V2X技术研究已经成为近一两年来的研究热点,高效的虚拟资源(频谱、峰值速率、通信、计算等资源)分配方案以及较低的网络切片配置时间将为5G网络的虚拟化功能提供最优的执行方案。而最优的切片层资源分配方案可以更有效服务于eMBB、uRLLC、mMTC等不同的应用场景,为智慧交通系统建设和AI的发展提供了可靠的技术保障。基于此,该研究工作主要致力于5G网络切片、V2X技术的研究,对虚拟网络中资源的最优分配方案进行研究,为5G网络物理层、MAC层到虚拟网络的映射关系提供数学逻辑基础,对于不同KPIs要求的场景建立动态的切片迁移策略以满足实际应用场景的资源分配要求,为基于V2X技术的智慧交通系统的发展提供技术参考,具有重要的研究意义。
发明内容
针对现有技术存在的问题,本发明提供了一种5G NFV切片重配方法、系统、无线通信系统。
本发明是这样实现的,一种5G NFV切片重配方法,所述5G NFV切片重配方法通过对虚拟切片层的流量进行预测,使用三角形不等式违反定理对超过峰值速率的局部流量进行迁移,流量迁移的同时完成虚拟层逻辑链路的迁移,即链路的重构完成了切片的重新配置。
进一步,所述的5G NFV切片重配方法具体包括:
第一步:网络布置好虚拟节点之后,先按照最小时延构建网络数据流量传输拓扑,有利于建立了初始流数据;
第二步:网络运行一次后对流量进行第一次预测,有利于初步的自适应流量预测系统建立;
第三步:网络运行一次后对流量进行第一次预测校正,有利于对自适应控制预测流量的精度进一步提高;
第四步:对局部超过峰值速率的逻辑链路进行流量的迁移,即切片的重构,有利于动态的完成虚拟层的最优配置;
第五步:运行一次网络,如有虚拟节点死亡终止网络输出最终的数据信息,否则返回第二步,有利于使得网络的变化具有连续性。
进一步,所述第一步包括:以网络虚拟节点的最短距离使用贪婪启发式算法构建所有虚拟节点到基站的最短路径,并运行一次。
进一步,所述第二步包括:对流量的第一次预测:
进一步,所述第三步包括:对流量的预测校正:
进一步,所述第四步包括:对流量的迁移:有两个虚拟OVS节点v1,v2∈η(u),且满足使用符号D来表示链路的时延,如果满足D(u,v2)<D(u,v1)+D(v1,v2),则不违反TIV原理,直接将删除链路(u,v)∈E,将链路上的流量迁移到链路(u,v2)∈E;否则若D(u,v2)>D(u,v1)+D(v1,v2),则说明违反了TIV原理,不能将流量迁移到最短路径链路(u,v2)∈E上,需要将链路(u,v)∈E的流量迁移到链路u→v1→v2上,从而在局部完成流量的迁移工作。
进一步,所述第五步包括:网络运行一段时间后重复第二步、第三步以及第四步,直至虚拟层出现虚拟节点的死亡。
本发明的另一目的在于提供一种实施所述的5G NFV切片重配方法的5GNFV切片重配系统,所述5G NFV切片重配系统包括:
网络物理层模块,实际的网络物理链路数据传输部分;
虚拟切片层模块,逻辑链路,负责对物理层映射后的网络进行数据传输;
预测模块,用于实现逻辑链路的流量预测功能;
迁移模块,使用软件定义化网络完成流量的迁移。
本发明的另一目的在于提供一种无线通信系统,所述无线通信系统运行所述的5GNFV切片重配方法。
本发明的另一目的在于提供一种无线传感器网络数据流量处理方法,所述虚拟切片层数据流量处理方法运行所述的流量迁移管理的5G NFV切片重配系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:5G NFV切片重配方法以网络的资本和运营支出为主要研究目标。本发明首先通过对虚拟切片层的流量进行预测,然后使用三角形不等式违反定理对超过峰值速率的局部流量进行迁移,流量迁移的同时完成虚拟层逻辑链路的迁移,即链路的重构完成了切片的重新配置。本发明最终通过仿真验证了该协议有效的提升了重新配置后网络的关键性能指标(吞吐量、时延以及能耗管理),同时使用Fridman、Holm统计学假设检验手段对仿真数据进行了分析,从统计学角度验证了本发明所提近似算法TME的有效性。
本发明综合协调统一流量的预测与迁移,先预测再迁移更有利于NFV网络的资源分配效率。基于此思想,本发明首先使用自适应控制手段对t时刻的流量进行预测,然后在t-1时刻网络运行截止之后根据流量的预测使用TIV原理对其流量进行迁移,从而提高网络资源的使用效率。其中TIV原理广泛的存在于网络算法中,是一种基于测量的启发式网络拓扑匹配优化算法。
本发明5G NFV切片重配方法,更有利于一些应用背景下的大数据传球技术。本发明所构建的虚拟网络是基于异构大数据的传输,异构数据的传输对网络拓扑的要求更高,一般同构的网络是很难满足异构数据传输的服务质量要求。
本发明应用灵活的分布式混合网络拓扑,既保证了数据的真实性准确性,去掉了数据的冗余。同时保障了数据传输的低延迟以及网络中节点的低能耗运行,延长了网络的使用寿命,对于实际网络的运行抽象为数学问题,通过建立模型并且求解模型来获取结果,具有很强的创新性,对于数学与工科问题的交叉研究提供了新思路。
附图说明
图1是本发明实施例提供的5G NFV切片重配方法的流程图。
图2是本发明实施例提供的5G NFV切片重配系统的结构示意图;
图中:1、网络物理层模块;2、虚拟切片层模块;3、预测模块;4、迁移模块。
图3是本发明实施例提供的5G NFV切片重配方法的实现流程图。
图4是本发明实施例提供的虚拟网络拓扑示意图。
图5是本发明实施例提供的流量迁移网络拓扑示意图。
图6是本发明实施例提供的流量迁移示意图。
图7是本发明实施例提供的不同信噪比下的峰值速率示意图。
图8是本发明实施例提供的不同OVSs下的网络运行时间示意图。
图9是本发明实施例提供的不同OVSs下的网络吞吐量示意图。
图10是本发明实施例提供的不同OVSs下的网络平均时延示意图。
图11是本发明实施例提供的250个OVSs不同信噪比下的KPIs示意图。
图12是本发明实施例提供的10dm、250个OVSs随着运行时间的网络剩余能量示意图。
图13是本发明实施例提供的10dm、250个OVSs随着运行时间的网络能耗方差示意图。
图14(a)是本发明实施例提供的TE算法OVS剩余能量三维图。
图14(b)是本发明实施例提供的TE算法OVS剩余能量二维截面图。
图15(a)是本发明实施例提供的A*Search算法OVS剩余能量三维图。
图15(b)是本发明实施例提供的A*Search算法OVS剩余能量二维截面图。
图16(a)是本发明实施例提供的的TME算法OVS剩余能量三维图。
图16(b)是本发明实施例提供的TME算法OVS剩余能量二维截面图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种5G NFV切片重配方法、系统、无线通信系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的5G NFV切片重配方法包括以下步骤:
S101:虚拟网络布置好之后,按照最小时延构建网络拓扑;
S102:运行一次网络之后进行网络流量的预测;
S103:对流量的预测进行校正;
S104:使用三角形不等式违反定理对超过峰值速率的局部流量进行迁移;
S105:流量迁移的同时完成虚拟层逻辑链路的迁移;
S106:运行一次网络,如有虚拟节点死亡终止网络输出最终的数据信息,否则返回第二步。
本发明提供的5G NFV切片重配方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的5G NFV切片重配方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的5G NFV切片重配系统包括:
网络物理层模块1,实际的网络物理链路数据传输部分;
虚拟切片层模块2,逻辑链路,负责对物理层映射后的网络进行数据传输;
预测模块3,用于实现逻辑链路的流量预测功能;
迁移模块4,使用软件定义化网络完成流量的迁移。
下面结合附图对本发明的技术方案作进一步的描述。
如图3、图4所示,本发明提供的混合型大数据传输拓扑结构方法具体包括以下步骤:
步骤一,网络布置好虚拟节点之后,先按照最小时延构建网络数据流量传输拓扑,所涉及的数学符号如下所示:
本发明中使用G(V,E,B,R)来标记上述的虚拟网络,其中V表示网络中所有OVSs的集合,E表示边(链路)的集合,Bu,v表示链路(u,v)∈E的带宽,R(u,v)表示链路(u,v)∈E的最大数据传输速率,即峰值速率。本发明中所使用的符号含义列表如表1所示。
表1符号列表
步骤二,网络运行一次后对流量进行第一次预测;
流量的预测对于流量的迁移非常重要,假设网络中每个OVSs的初始流量为T0,t时刻链路(u,v)∈E的实际数据流量跟有关,本发明对t时刻链路(u,v)∈E的数据流量进行预测,模型如下式所示:
其中(ω1,ω2,…,ωt-1)为流量自适应控制系数,且满足ω1+ω2+…+ωt-1=1,0<ω1,ω2,…,ωt-1<1。(ω1,ω2,…,ωt-1)的取值可以通过实际模拟流量来完成,由于时刻越近的流量对预测的作用更大,本发明中首先确定ω1,采用自适应系数逐步退化的手段确定后续流量系数,即类似于蚁群算法的信息素退化方式给定退化比例d,例如ω2=d*ω1。为了方便表示本发明采用矩阵向量对上式进行表示:
接下来本发明使用流量校正系数ρ(0<ρ<1)对流量预测模型进行校正,本发明采用两次校正手段,第一次t时刻链路(u,v)∈E的数据流量校正与原始以及峰值速率有关,本发明第一次校正值记为第二次t时刻链路(u,v)∈E的数据流量校正与t时刻t-1时刻的相关。具体校正模型如下所示:
第一次校正模型:
步骤三,网络运行一次后对流量进行第一次预测校正。
将上式带入式()中得最终的流量更新校正模型为:
通过上述两次校正后,网络中的流量可以达到自适应动态控制模式
步骤五,对局部超过峰值速率的逻辑链路进行流量的迁移,即切片的重构,流量迁移网络拓扑如图5、图6所示。
在对t时刻链路(u,v)∈E的数据流量尽心预测之后得到流量预测值为下来本发明对链路允许的最大流量值进行比较:如果满足则t时刻链路(u,v)∈E的数据流量不进行迁移;如果则t时刻链路(u,v)∈E的数据流量需要进行迁移。此时链路(u,v)∈E的预测流量超过了链路允许的最大流量值需要在OVSu的邻居OVSsη(u)中需要寻找一条符合流量要求且测量时延最低的链路来替代(u,v)∈E完成流量的传输工作。对该路段迁移的规则本发明使用TIV原理。
假设有两个虚拟OVS节点v1,v2∈η(u),且满足如图3所示,使用符号D来表示链路的时延,如果满足D(u,v2)<D(u,v1)+D(v1,v2),则不违反TIV原理,直接将删除链路(u,v)∈E,将链路上的流量迁移到链路(u,v2)∈E;否则若D(u,v2)>D(u,v1)+D(v1,v2),则说明违反了TIV原理,不能将流量迁移到最短路径链路(u,v2)∈E上,需要将链路(u,v)∈E的流量迁移到链路u→v1→v2上,从而在局部完成流量的迁移工作。
切片流量迁移的具体算法如下所示:
本发明算法的复杂度分析:本发明算法TME的复杂度为O(2N+|E|+N2):算法首先按照最小时延对所有OVS遍历了一次,复杂度为O(N);然后对所有链路进行预测,该过程遍历了所有的链路以及OVS遍历了两次,假设链路的数量为|E|,则该过程的复杂度为O(|E|+N2);最终在流量迁移过程对所有OVS遍历了一次,复杂度为O(N)。所以TME算法的复杂度为O(2N+|E|+N2)。
步骤六,运行一次网络,如有虚拟节点死亡终止网络输出最终的数据信息,否则返回第二步。
下面结合实验对本发明的技术效果作详细的描述。
1、仿真条件:本发明从网络吞吐量、网络运行时间以及网络平均时延等KPIS出发,将本发明提出的TME算法与不进行流量迁移的原始TE算法(Traffic Engineering)、经典的网络流量管理算法A*Search进行进行多次重复实验仿真。仿真的实验环境为:Win7 64位系统、CPU处理器为Intel Core i5-7500 3.4GHZ,内存为4.00GB,仿真软件为:Matlab2017b软件、Visual C++6.0。仿真参数如表2所示。
表2实验参数值
2、仿真内容及仿真结果:
仿真1:不同信噪比下的峰值速率;虚拟切片层逻辑链路的峰值速率决定了该条链路的流量上限,图7给出了不同信噪比下的峰值速率,图7反应了信噪比值越高逻辑链路允许的流量上限则越高。
仿真2:不同OVSs下的KPIs;图8给出了切片层OVS数量与网络运行时间的比较图,图中曲线表明了当网络中有250个OVS时,网络的运行时间越长,这是因为当OVS数量较少时由于传输距离的增加导致了OVS的能量消耗过快,当OVS数量较多时由于网络的数据量过大,每条链路承担的数据传输任务较多从而导致了OVS的能量消耗过快。从OPEX角度出发,三种算法均在OVS数量为250个时候性能最优。
然而,虚拟切片层随着OVS数量的增加,本发明算法TME运行时间始终最长,并且在250个OVS时达到运行时间最大优化值,运行时间可以到206轮,而TE算法只有100,A*Search算法为124,性能几乎提升了一倍。这是因为TME对预测流量超过峰值速率的链路进行了迁移,从而均衡了局部的负载不行,是一个同时局部优化到全局优化的迭代过程,该过程有效地抑制了局部链路流量过载而导致的OVS能耗过快,延长了全网所有OVS的使用时间。
图9反应了几种算法在不同OVSs下的网络吞吐量,整体可以看出随着OVS数量的增加虚拟切片层的网络吞吐量都是逐渐增加的,这是因为每个OVS都负责监听数据、传输数据。TME算法的网络吞吐量随着OVS数量的增加明显优于TE算法与A*Search算法,这是因为在TE算法以及A*Search算法中,局部链路的流量过载导致了数据的丢失从而降低了网络的吞吐量,而TME有效的分流措施控制了流量的损失提升了网络的吞吐量。
图10给出了网络的平均时延,图8反映出当切片层的OVS数量为250时所有算法的平均时延均为最小,原因同网络运行时间。OVS数量越少传输距离导致了时延的增加,OVS数量越多则需要传输的数据流量越多导致了时延的增加,从5G网络的时延角度来说,物理层1km2范围内一个大型基站基站支持的设备数量200-300为最优。三个算法比较而言,TME算法的时延始终处于最低值且波动较小,这同样得益于局部流量的迁移,将拥塞路段的流量分流可以明显的提升数据传输的质量以及降低数据传输的时延。
仿真3:250个OVSs不同信噪比下的KPIs。图11给出了虚拟切片层250个OVSs在不同信噪比下的KPIs结果比较图。本发明中TE、A*Search算法不进行流量迁移故而不考虑信噪比对信道的影响,图9可以看出当信噪比为10dm时,TME算法在网络运行时间、吞吐量以及时延均达到了最优值,故而TME算法在本发明的仿真参数设定下取10dm、OVSs数量为250时达到最优状态。
仿真4:10dm、250个OVSs随着运行时间的网络剩余能量与能耗方差。图10给出了网络的平均剩余能量随着运行时间的变化图,停止时间为切片层出现OVS损坏或能量耗尽。图12反应了TME算法的运行时间最长。图13给出了网络的平均能耗方差随着运行时间的变化图,TME算法的方差最小反映出了能耗均衡,即说明了虚拟切片层OVSs的数据流量负载是比较均衡的。
仿真5:10dm、250个OVSs,运行时间为100轮时每个OVS的剩余能量。图14-16为当网络运行时间为100轮时每个OVS的剩余能量曲面图以及三维观察视角[0,0]下的二维截面图。图12可以看出TE算法的每个OVS剩余能量的曲面图与截面图均不光滑且波动较大,图13A*Search算法波动也较大但是明显优于TE算法,而图14较为光滑且波动幅度较小。这就说明当网路运行时间为100时,TE算法以及A*Search算法中出现一小部分OVS的能量值过小,无法继续承担流量传输的任务,而本发明所提算法TME在网络运行时间为100时所有的OVS剩余能量较为均衡,未出现少部分或者某个OVS剩余能量较低的情况,这就保证了网络的继续运行即数据流量的传输任务。
本发明从统计学角度对网络的OPEX问题进行了假设验证,分别使用了Friedman与Holm检验手段对网络OVSs地能量从统计学角度验证了所提算法TME的有效性。
1.Friedman检验
应用Friedman检验获得Asearch、TE算法以及本文提出的TME算法三种算法在网络平均剩余能量方面的秩均值,结果如下表3所示:
表3
算法 | 网络平均剩余能量秩均值 |
Asearch | 2.00 |
TE | 1.00 |
TME | 3.00 |
网络平均剩余能量越多,说明该算法越好,根据上表结果,TME算法优于其他两种算法。
2.Holm检验
为了进一步检验本文提出的TME算法是否显著优于其他两种算法,采用holm事后检验,只考虑网络平均剩余能量方面,取前100次每一次的网络平均剩余能量进行分析,检验TME算法与其余三种算法相比是否具有显著性差异,取α=0.05,结果如下表4所示:
表4
上述结果表明,取α=0.05时,在只考虑网络平均剩余能量的情况下,本文提出的TME算法与其他两种算法在统计学意义下具有显著性差异,即TME算法明显优于其他两种算法。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种5G NFV切片重配方法,其特征在于,所述5G NFV切片重配方法通过对虚拟切片层的流量进行预测,使用三角形不等式违反定理对超过峰值速率的局部流量进行迁移,流量迁移的同时完成虚拟层逻辑链路的迁移,即链路的重构完成了切片的重新配置;
所述的5G NFV切片重配方法具体包括:
第一步:网络布置好虚拟节点之后,先按照最小时延构建网络数据流量传输拓扑;
第二步:网络运行一次后对流量进行第一次预测;
第三步:网络运行一次后对流量进行第一次预测校正;
第四步:对局部超过峰值速率的逻辑链路进行流量的迁移,即切片的重构;
第五步:运行一次网络,如有虚拟节点死亡终止网络输出最终的数据信息,否则返回第二步;
所述第一步包括:以网络虚拟节点的最短距离使用贪婪启发式算法构建所有虚拟节点到基站的最短路径,并运行一次;
所述第二步包括:对流量的第一次预测:
所述第三步包括:对流量的预测校正:
所述第四步包括:对流量的迁移:有两个虚拟OVS节点v1,v2∈η(u),且满足使用符号D来表示链路的时延,如果满足D(u,v2)<D(u,v1)+D(v1,v2),则不违反TIV原理,直接将删除链路(u,v)∈E,将链路上的流量迁移到链路(u,v2)∈E;否则若D(u,v2)>D(u,v1)+D(v1,v2),则说明违反了TIV原理,不能将流量迁移到最短路径链路(u,v2)∈E上,需要将链路(u,v)∈E的流量迁移到链路u→v1→v2上,从而在局部完成流量的迁移工作;
所述第五步包括:网络运行一段时间后重复第二步、第三步以及第四步,直至虚拟层出现虚拟节点的死亡。
2.一种实施权利要求1所述的5G NFV切片重配方法的5G NFV切片重配系统,其特征在于,所述5G NFV切片重配系统包括:
网络物理层模块,实际的网络物理链路数据传输部分;
虚拟切片层模块,逻辑链路,负责对物理层映射后的网络进行数据传输;
预测模块,用于实现逻辑链路的流量预测功能;
迁移模块,使用软件定义化网络完成流量的迁移。
3.一种无线通信系统,其特征在于,所述无线通信系统运行权利要求1所述的5G NFV切片重配方法。
4.一种无线传感器网络数据流量处理方法,其特征在于,所述虚拟切片层数据流量处理方法运行权利要求2所述的流量迁移管理的5G NFV切片重配系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110596302.XA CN113411819B (zh) | 2021-05-30 | 2021-05-30 | 一种5g nfv切片重配方法、系统、无线通信系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110596302.XA CN113411819B (zh) | 2021-05-30 | 2021-05-30 | 一种5g nfv切片重配方法、系统、无线通信系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113411819A CN113411819A (zh) | 2021-09-17 |
CN113411819B true CN113411819B (zh) | 2022-07-12 |
Family
ID=77675189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110596302.XA Active CN113411819B (zh) | 2021-05-30 | 2021-05-30 | 一种5g nfv切片重配方法、系统、无线通信系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411819B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105453496A (zh) * | 2013-08-07 | 2016-03-30 | 瑞典爱立信有限公司 | 分组网络中具有谨慎恢复的冗余路径的自动建立 |
CN110662231A (zh) * | 2019-09-25 | 2020-01-07 | 南京优速网络科技有限公司 | 面向5g环境的网络切片资源调整方法及系统 |
GB202003857D0 (en) * | 2020-03-17 | 2020-04-29 | Univ Edinburgh | A distributed network traffic data decomposition method |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019075479A1 (en) * | 2017-10-13 | 2019-04-18 | Huawei Technologies Co., Ltd. | APPARATUS, SYSTEM AND METHOD FOR MANAGING TRAFFIC DATA IN WIRELESS COMMUNICATIONS |
CN111292523B (zh) * | 2018-12-06 | 2023-04-07 | 中国信息通信科技集团有限公司 | 网络智能体系统 |
CN110275758B (zh) * | 2019-05-09 | 2022-09-30 | 重庆邮电大学 | 一种虚拟网络功能智能迁移方法 |
CN111538587B (zh) * | 2020-03-06 | 2022-04-29 | 重庆邮电大学 | 一种基于负载均衡的服务功能链重配置方法 |
CN111884854B (zh) * | 2020-07-29 | 2022-09-02 | 中国人民解放军空军工程大学 | 基于多模式混合预测的虚拟网络流量迁移方法 |
CN112153715B (zh) * | 2020-08-27 | 2022-09-02 | 西安电子科技大学 | 混合型大数据传输拓扑结构方法、系统、存储介质及应用 |
-
2021
- 2021-05-30 CN CN202110596302.XA patent/CN113411819B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105453496A (zh) * | 2013-08-07 | 2016-03-30 | 瑞典爱立信有限公司 | 分组网络中具有谨慎恢复的冗余路径的自动建立 |
CN110662231A (zh) * | 2019-09-25 | 2020-01-07 | 南京优速网络科技有限公司 | 面向5g环境的网络切片资源调整方法及系统 |
GB202003857D0 (en) * | 2020-03-17 | 2020-04-29 | Univ Edinburgh | A distributed network traffic data decomposition method |
Non-Patent Citations (2)
Title |
---|
Novel NFV Aware Network Service for Intelligent Network Slicing Based on Squatting-Kicking Model;Ahmed El-Mekkawi等;《IEEE Access》;20201215;第223041–223068页 * |
接入网侧基于网络切片的资源分配策略研究;师京兆;《中国优秀硕士学位论文全文数据库》;20190815;第1-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113411819A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Adaptive interference-aware VNF placement for service-customized 5G network slices | |
US20190150158A1 (en) | Systems and methods for performing traffic engineering through network slices | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
WO2020149786A1 (en) | Dynamic deployment of network applications having performance and reliability guarantees in large computing networks | |
Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
Lombardo et al. | An analytical tool for performance evaluation of software defined networking services | |
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 | |
Ibrahim et al. | Heuristic resource allocation algorithm for controller placement in multi-control 5G based on SDN/NFV architecture | |
Liu | Intelligent routing based on deep reinforcement learning in software-defined data-center networks | |
CN114374605B (zh) | 一种网络切片场景下服务功能链动态调整和迁移方法 | |
Ojaghi et al. | So-ran: Dynamic ran slicing via joint functional splitting and mec placement | |
Ren et al. | Vehicular network edge intelligent management: A deep deterministic policy gradient approach for service offloading decision | |
Mahmoudi et al. | SDN-DVFS: an enhanced QoS-aware load-balancing method in software defined networks | |
Khamse-Ashari et al. | An agile and distributed mechanism for inter-domain network slicing in next generation mobile networks | |
Mharsi et al. | Scalable and cost-efficient algorithms for baseband unit (BBU) function split placement | |
An et al. | Fuzzy deep Q-learning task offloading in delay constrained vehicular fog computing | |
Zeng et al. | Mobility-aware proactive flow setup in software-defined mobile edge networks | |
Abood et al. | Intelligent network slicing in V2X networks–A comprehensive review | |
Laroui et al. | Virtual mobile edge computing based on IoT devices resources in smart cities | |
Bai et al. | Latency equalization policy of end-to-end network slicing based on reinforcement learning | |
Hojeij et al. | Dynamic placement of O-CU and O-DU functionalities in open-ran architecture | |
CN113411819B (zh) | 一种5g nfv切片重配方法、系统、无线通信系统 | |
CN116418808A (zh) | 一种mec的联合计算卸载和资源分配方法及装置 | |
Donatti et al. | Survey on machine learning-enabled network slicing: covering the entire life cycle | |
Gamal et al. | Multi objective resource optimisation for network function virtualisation requests |
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 |