CN113472552B - 基于深度学习的vim选择方法、装置、计算设备及存储介质 - Google Patents

基于深度学习的vim选择方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN113472552B
CN113472552B CN202010235610.5A CN202010235610A CN113472552B CN 113472552 B CN113472552 B CN 113472552B CN 202010235610 A CN202010235610 A CN 202010235610A CN 113472552 B CN113472552 B CN 113472552B
Authority
CN
China
Prior art keywords
vim
resource
newly
deep learning
network element
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
Application number
CN202010235610.5A
Other languages
English (en)
Other versions
CN113472552A (zh
Inventor
邢彪
何宇
张卷卷
陈维新
章淑敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010235610.5A priority Critical patent/CN113472552B/zh
Publication of CN113472552A publication Critical patent/CN113472552A/zh
Application granted granted Critical
Publication of CN113472552B publication Critical patent/CN113472552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例涉及通信技术领域，公开了一种基于深度学习的VIM选择方法、装置、计算设备及存储介质，该方法包括：接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权。通过上述方式，本发明实施例能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。

Description

基于深度学习的VIM选择方法、装置、计算设备及存储介质
技术领域
本发明实施例涉及通信技术领域，具体涉及一种基于深度学习的VIM选择方法、装置、计算设备及存储介质。
背景技术
目前支持的虚拟化基础设施管理器(Virtualised infrastructure manager，VIM)选择方式包括轮询、优先级等。轮询的方式即网络功能虚拟化编排器(NFVOrchestrator，NFVO)按照顺序逐个询问VIM是否有所需的资源，直到一个VIM含有所需资源。优先级方式是对所有VIM预先设定优先级，NFVO在选择VIM时，根据VIM的级别从相应等级的VIM中优先选取资源条件满足的VIM。
现有技术中VIM的选择需要依赖于人为制定优先级或权重值，受人为主观因素影响，目前的方式不够精准，容易造成VIM资源分配不合理、VIM资源不满足需求等问题，影响新建网元的效率。
发明内容
鉴于上述问题，本发明实施例提供了一种基于深度学习的VIM选择方法、装置、计算设备及存储介质，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种基于深度学习的VIM选择方法，所述方法包括：接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权。
在一种可选的方式中，所述接收虚拟网络功能管理系统VNFM发起的资源授权请求之前，包括：获取虚拟基础设施管理器VIM定期上报的VIM资源信息。
在一种可选的方式中，所述接收虚拟网络功能管理系统VNFM发起的资源授权请求之前，包括：获取历史新建VNF网元资源需求信息和VIM资源信息；利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对所述深度学习模型进行训练的总数据集；对所述总数据集进行数据预处理；根据所述总数据集对所述深度学习模型进行训练。
在一种可选的方式中，所述对所述总数据集进行数据预处理，包括：统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M。
在一种可选的方式中，所述根据所述总数据集对所述深度学习模型进行训练，包括：使用深度学习框架tensorflow搭建所述深度学习模型；将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
在一种可选的方式中，所述将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练，包括：将所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层；通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量；通过两个并列的改造层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换；通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的的所述多维空间向量按列维度进行拼接；通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层；通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。
在一种可选的方式中，所述选择匹配度最高的所述VIM进行资源授权，包括：获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
根据本发明实施例的另一个方面，提供了一种基于深度学习的VIM选择装置，所述装置包括：接收单元，用于接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；评分单元，用于将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择单元，用于选择匹配度最高的所述VIM进行资源授权。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于深度学习的VIM选择方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述基于深度学习的VIM选择方法的步骤。
本发明实施例通过接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权，能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的基于深度学习的VIM选择方法的流程示意图；
图2示出了本发明实施例提供的基于深度学习的VIM选择方法的深度学习模型训练的流程示意图；
图3示出了本发明实施例提供的基于深度学习的VIM选择方法的深度学习模型架构示意图；
图4示出了本发明实施例提供的基于深度学习的VIM选择方法的应用示意图；
图5示出了本发明实施例提供的基于深度学习的VIM选择装置的结构示意图；
图6示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
网络功能虚拟化(Network Function Virtualization，NFV)是指利用虚拟化技术，在标准化的通用IT设备(x86服务器、存储和交换设备)来实现各种网络设备功能。其中，NFV管理和编排器(NFV Management and Orchestration，MANO)包括网络功能虚拟化编排器(NFV Orchestrator，NFVO)、虚拟化网络功能管理器(VNF Manager，VNFM)与VIM。
NFVO负责网络业务、虚拟化网络功能(Virtualised Network Function，VNF)与资源的总体管理，是整个NFV架构的控制核心，其主要功能包括VIM之间的资源调度功能和网络服务调度功能。在VIM资源调度的过程中，NFVO需要选择一个VIM并将其资源分配非上层应用使用。VNFM主要负责VNF的资源及生命周期等相关管理，如网元的实例化、扩容与缩容等功能。所述VNF对应传统电信业务网络，每个物理网元映射为一个虚拟网元VNF，是一个纯软件实现的网元功能，能够运行在网络功能虚拟化基础架构(NFVInfrastructure，NFVI)之上，对应传统物理网元功能。VIM的主要功能是实现对整个基础设施层资源(包含硬件资源和虚拟资源)的管理和监控。是NFVI管理模块，通常运行于对应的基础设施站点中，主要功能包括：资源的发现、虚拟资源的管理分配、故障处理等，为VNF运行提供资源支持。
在NFVO收到来自VNFM的为VNF实例化、扩缩容、终止生命周期管理操作发出的计算、存储和网络虚拟资源的管理请求后，NFVO将收到的虚拟资源管理请求转发给对应的VIM；在收到VIM的响应后，转发给VNFM。目前NFVO在收到VNFM的VNF生命周期管理操作授权请求后，如果请求中未携带VNFM预选的VIM，根据NFVO中设置的VIM选择策略，选择可用资源能够满足VNFM的资源需求的合适VIM。VIM选择策略支持轮选，按优先级选(选择符合条件的优先级高的VIM)，按权重选(在符合条件下，权重大的选择概率高)。但人为制定优先级或权重值容易受人为主观因素影响，造成VIM资源分配不合理、VIM资源不满足需求等问题，影响新建网元的效率。
图1示出了本发明实施例提供的基于深度学习的VIM选择方法的流程示意图。该基于深度学习的VIM选择方法主要应用于NFVO。如图1所示，该基于深度学习的VIM选择方法包括：
步骤S11：接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息。
在本发明实施例中，当需要创建新的VNF网元时，VNFM向NFVO发起资源授权请求，该资源授权请求中携带有新建网元资源需求信息，而不携带VIM的身份识别码(ID)。新建网元资源需求信息包括：计算、存储、网络需求信息以及业务特点描述信息。
在步骤S11之前，获取虚拟基础设施管理器VIM定期上报的VIM资源信息。VIM资源信息包括：计算、存储、网络资源的剩余量信息以及各类资源等级和特征描述信息。在本发明实施例中，NFVO支持对一个或多个VIM下的硬件资源(包括服务器，磁盘阵列)、虚拟化资源(VM，虚拟存储资源和虚拟网络资源)信息进行采集并显示，支持按照资源所在的VIM进行显示，也支持汇总显示。NFVO接收来自VIM的资源变化信息，能够显示变化后的资源信息。NFVO支持从VIM采集虚拟资源的总容量，并保存在本地；支持以VIM为单位维护虚拟资源的总容量和已分配容量，为VNF生命周期管理操作授权提供依据。
步骤S12：将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分。
具体地，在步骤S12之前，如图2所示，包括：
步骤S121：获取历史新建VNF网元资源需求信息和VIM资源信息。
在NFV网络中，由NFVO向所纳管的多个VIM收集硬件和虚拟资源信息。获取历史若干新建VNF网元需求信息和若干VIM的资源信息。
步骤S122：利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对所述深度学习模型进行训练的总数据集。
在本发明实施例中，利用专家经验对新建VNF网元和多个VIM的匹配度进行评分，如表1所示。历史新建VNF网元资源需求信息、VIM资源信息以及对应评分结果构成用于深度学习模型训练的总数据集，将其中的70％作为训练集，剩余的30％作为测试集。
表1 新建VNF网元和多个VIM的匹配度的评分结果
Figure BDA0002430862080000061
Figure BDA0002430862080000071
表1中，数字表示新建VNF网元与对应的VIM的匹配度得分，空白表示对应VIM不可用。
步骤S123：对所述总数据集进行数据预处理。
在本发明实施例中，对总数据集进行文本清洗并将文本序列化。具体地，统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列。例如：[“qci”：40，“imsi”：105，“info”：8，“update”：278，“on”：89，“agent”：164，“modify”：59，“the”：21，“type”：303，“storage”：231，...]。取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M。
步骤S124：根据所述总数据集对所述深度学习模型进行训练。
具体地，使用深度学习框架tensorflow搭建所述深度学习模型；将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
在本发明实施例中，使用深度学习框架tensorflow搭建的深度学习模型架构如图3所示。对深度学习模型进行训练时，将经编码后的所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层。
通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量。词嵌入层的输入数据维度分别设置为L和M，其中，历史新建VNF网元需求信息的输入数据维度为L，VIM资源信息的输入数据维度为M。词嵌入层的输出设置为需要将单词转换为向量空间的大小64维度。词嵌入层的作用是对输入文本中的每个单词进行向量映射(word embeddings)，即将文本中的每个单词的整数序列转换为固定形状64维度的向量。
通过两个并列的改造(reshape)层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换。具体将数据形状从(batch_size，input_length，embedding_size)转换为(batch_size，embedding_size)。
通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的的所述多维空间向量按列维度进行拼接。
通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层。其中第一个全连接层含有128个神经元，第二个全连接层含有64个神经元，全连接层用于将所有特征融合在一起，全连接层使用的激活函数均为'relu'。在每一个全连接层之后均引入一个dropout层，以有效避免过拟合(overfitting)，所谓的dropout层是指以概率p舍弃神经元并让其它神经元以概率q＝1-p保留，本方案中设置舍弃概率＝0.2，即随机忽略20％的神经元，使其失效。
通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。输出层即为图3中的第三个全连接层，含有1个神经元，输出所预测的新建VNF网元和VIM资源的匹配度评分。匹配度评分范围为0-5，训练集中的评分是利用专家经验对新建VNF网元和多个VIM的匹配度进行人工打分得到，深度学习模型通过学习训练集中新建网元资源需求信息和VIM资源信息跟匹配度评分之间的关系，从而来预测新建VNF网元和对应的VIM资源的匹配度评分。
在本发明实施例中，深度学习模型将训练1000个回合(epochs＝1000)，批处理大小设置为10(batch_size＝10)，选择平均绝对值误差(Mean Squared Error，MSE)作为损失函数即目标函数(loss＝'mse')，梯度下降优化算法选择自适应矩估计(Adaptive momentestimation，adam)优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。深度学习模型通过梯度下降，可以找到使目标函数最小的最优权重值，随着训练回合数的增加，训练误差也逐渐下降，深度学习模型逐渐收敛。离线训练完成后，将计算得出的深度学习模型权重导出，即得到训练好的深度学习模型。
深度学习模型的层数和神经元个数等超参数的设置是通过多次模型调参得到，受不同的问题场景、不同的数据集影响，最终选择能使准确率最高的超参数。本申请所选择的超参数设置仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请的超参数设置可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
在步骤S12中，当需要新建VNF网元时，VNFM向NFVO发起资源授权请求(资源授权请求中携带新建网元资源需求，不携带VIM ID)，NFVO将该新建VNF网元需求信息和所纳管的各个VIM资源信息输入至训练好的深度学习模型中，自动预测出各个VIM与新建VNF网元的匹配度评分，并将匹配度评分最高的VIM的身份识别码(ID)发送给NFVO。
步骤S13：选择匹配度最高的所述VIM进行资源授权。
具体地，获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
本发明实施例的基于深度学习的VIM选择过程如图4所示，包括：
步骤1：上报VIM资源信息。
各个VIM定期上报资源信息给NFVO。
步骤2：VNFM向NFVO发送资源授权请求。
当需要创建新的VNF网元时，VNFM向NFVO发起资源授权请求，资源授权请求中携带新建网元资源需求，不携带VIM ID。
步骤3：NFVO向训练好的深度学习模型中输入新建NFV网元需求信息和VIM资源信息。
步骤4：NFVO获取深度学习模型反馈的输出选择的VIM ID。
深度学习模型对新建NFV网元和VIM之间的匹配度进行评分，并向NFVO输出匹配度最高的VIM ID。
步骤5：NFVO向选择的VIM请求分配资源。
NFVO请求所选择的VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配。
步骤6：NFVO向VNFM发送资源授权结果。
资源授权结果中携带有深度学习模型所选择的VIM ID。
本发明实施例通过接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权，解决目前NFV网络中VIM选择策略需要依赖于人为制定优先级或权重值从而导致VIM资源不满足需求的问题，能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。
图5示出了本发明实施例的基于深度学习的VIM选择装置的结构示意图。如图5所示，该基于深度学习的VIM选择装置应用于NFVO，包括：接收单元501、评分单元502、以及选择单元503。其中：
接收单元501用于接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；评分单元502用于将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择单元503用于选择匹配度最高的所述VIM进行资源授权。
在一种可选的方式中，接收单元501用于：获取虚拟基础设施管理器VIM定期上报的VIM资源信息。
在一种可选的方式中，评分单元502用于：获取历史新建VNF网元资源需求信息和VIM资源信息；利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对所述深度学习模型进行训练的总数据集；对所述总数据集进行数据预处理；根据所述总数据集对所述深度学习模型进行训练。
在一种可选的方式中，评分单元502还用于：统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M。
在一种可选的方式中，评分单元502用于：使用深度学习框架tensorflow搭建所述深度学习模型；将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
在一种可选的方式中，评分单元502用于：将所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层；通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量；通过两个并列的改造层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换；通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的的所述多维空间向量按列维度进行拼接；通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层；通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。
在一种可选的方式中，选择单元503用于：获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
本发明实施例通过接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权，解决目前NFV网络中VIM选择策略需要依赖于人为制定优先级或权重值从而导致VIM资源不满足需求的问题，能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于深度学习的VIM选择方法。
可执行指令具体可以用于使得处理器执行以下操作：
接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；
将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；
选择匹配度最高的所述VIM进行资源授权。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取虚拟基础设施管理器VIM定期上报的VIM资源信息。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取历史新建VNF网元资源需求信息和VIM资源信息；
利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对所述深度学习模型进行训练的总数据集；
对所述总数据集进行数据预处理；
根据所述总数据集对所述深度学习模型进行训练。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；
取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；
取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
使用深度学习框架tensorflow搭建所述深度学习模型；
将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；
选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；
将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层；
通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量；
通过两个并列的改造层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换；
通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的的所述多维空间向量按列维度进行拼接；
通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层；
通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；
请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；
将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
本发明实施例通过接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权，解决目前NFV网络中VIM选择策略需要依赖于人为制定优先级或权重值从而导致VIM资源不满足需求的问题，能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的基于深度学习的VIM选择方法。
可执行指令具体可以用于使得处理器执行以下操作：
接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；
将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；
选择匹配度最高的所述VIM进行资源授权。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取虚拟基础设施管理器VIM定期上报的VIM资源信息。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取历史新建VNF网元资源需求信息和VIM资源信息；
利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对所述深度学习模型进行训练的总数据集；
对所述总数据集进行数据预处理；
根据所述总数据集对所述深度学习模型进行训练。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；
取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；
取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
使用深度学习框架tensorflow搭建所述深度学习模型；
将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；
选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；
将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层；
通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量；
通过两个并列的改造层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换；
通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的的所述多维空间向量按列维度进行拼接；
通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层；
通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；
请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；
将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
本发明实施例通过接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权，解决目前NFV网络中VIM选择策略需要依赖于人为制定优先级或权重值从而导致VIM资源不满足需求的问题，能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。
图6示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述基于深度学习的VIM选择方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作：
接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；
将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；
选择匹配度最高的所述VIM进行资源授权。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
获取虚拟基础设施管理器VIM定期上报的VIM资源信息。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
获取历史新建VNF网元资源需求信息和VIM资源信息；
利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对所述深度学习模型进行训练的总数据集；
对所述总数据集进行数据预处理；
根据所述总数据集对所述深度学习模型进行训练。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；
取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；
取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
使用深度学习框架tensorflow搭建所述深度学习模型；
将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；
选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；
将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
将所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层；
通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量；
通过两个并列的改造层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换；
通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的的所述多维空间向量按列维度进行拼接；
通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层；
通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；
请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；
将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
本发明实施例通过接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；选择匹配度最高的所述VIM进行资源授权，解决目前NFV网络中VIM选择策略需要依赖于人为制定优先级或权重值从而导致VIM资源不满足需求的问题，能够合理选择VIM，少受人为主观因素影响，合理分配VIM资源，提高新建VNF网元的效率。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (8)

1.一种基于深度学习的VIM选择方法，其特征在于，所述方法包括：
获取历史新建VNF网元资源需求信息和VIM资源信息；
利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对深度学习模型进行训练的总数据集；
对所述总数据集进行数据预处理，包括：统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M；根据所述总数据集对所述深度学习模型进行训练；
接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建虚拟化网络功能VNF网元资源需求信息；
将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；
选择匹配度最高的所述VIM进行资源授权。
2.根据权利要求1所述的方法，其特征在于，所述接收虚拟网络功能管理系统VNFM发起的资源授权请求之前，包括：
获取虚拟基础设施管理器VIM定期上报的VIM资源信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述总数据集对所述深度学习模型进行训练，包括：
使用深度学习框架tensorflow搭建所述深度学习模型；
将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练；
选择平均绝对值误差作为目标函数，应用自适应矩估计优化器作为梯度下降优化算法改善所述深度学习模型的收敛速度，找到使所述目标函数最小的最优权重值，作为训练好的所述深度学习模型的权重；
将另一部分数据作为测试集对训练后的所述深度学习模型进行测试。
4.根据权利要求1所述的方法，其特征在于，所述将所述总数据集的一部分数据作为训练集输入所述深度学习模型进行训练，包括：
将所述历史新建VNF网元需求信息和所述VIM资源信息分别输入两个并列的输入层；
通过两个并列的词嵌入层将所述历史新建VNF网元需求信息和所述VIM资源信息分别词嵌入表示为多维空间向量；
通过两个并列的改造层对分别表示所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量进行数据形状转换；
通过合并层将所述历史新建VNF网元需求信息和所述VIM资源信息的所述多维空间向量按列维度进行拼接；
通过隐藏层对拼接后的所述多维空间向量进行处理，所述隐藏层包括2个全连接层和2个dropout层；
通过输出层输出预测的所述新建VNF网元和所述VIM的匹配度评分。
5.根据权利要求1所述的方法，其特征在于，所述选择匹配度最高的所述VIM进行资源授权，包括：
获取所述深度学习模型中输出的匹配度最高的所述VIM的身份识别码；
请求所述VIM对虚拟计算、虚拟存储、虚拟网络资源进行分配并获取资源授权结果响应；
将所述资源授权结果响应发送给所述VNFM，所述资源授权结果响应携带所述VIM的所述身份识别码。
6.一种基于深度学习的VIM选择装置，其特征在于，所述装置包括：
接收单元，用于接收虚拟网络功能管理系统VNFM发起的资源授权请求，所述资源授权请求中携带新建网元资源需求信息；
评分单元，用于获取历史新建VNF网元资源需求信息和VIM资源信息；利用专家经验对所述历史新建VNF网元和所述VIM的匹配度进行评分，形成对深度学习模型进行训练的总数据集；对所述总数据集进行数据预处理，包括：统一字母大小写，将大写字母转换成小写字母，将所述总数据集中的每个单词转换为整数序列；取所述总数据集中所述历史新建VNF网元资源需求信息文本最长的长度作为所述历史新建VNF网元资源需求信息的编码序列长度L；取所述总数据集中所述VIM资源信息文本最长的长度作为所述VIM资源信息的编码序列长度M；根据所述总数据集对所述深度学习模型进行训练；将所述新建虚拟化网络功能VNF网元资源需求信息和VIM资源信息输入预训练好的深度学习模型中，对新建VNF网元和对应的所述VIM之间的匹配度进行评分；
选择单元，用于选择匹配度最高的所述VIM进行资源授权。
7.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-5任一项所述基于深度学习的VIM选择方法的步骤。
8.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-5任一项所述基于深度学习的VIM选择方法的步骤。
CN202010235610.5A 2020-03-30 2020-03-30 基于深度学习的vim选择方法、装置、计算设备及存储介质 Active CN113472552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010235610.5A CN113472552B (zh) 2020-03-30 2020-03-30 基于深度学习的vim选择方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010235610.5A CN113472552B (zh) 2020-03-30 2020-03-30 基于深度学习的vim选择方法、装置、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN113472552A CN113472552A (zh) 2021-10-01
CN113472552B true CN113472552B (zh) 2023-04-25

Family

ID=77864811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010235610.5A Active CN113472552B (zh) 2020-03-30 2020-03-30 基于深度学习的vim选择方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN113472552B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108234158A (zh) * 2016-12-14 2018-06-29 中国电信股份有限公司 Vnf的建立方法、nfvo以及网络系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106921977B (zh) * 2015-12-26 2020-11-06 华为技术有限公司 一种基于业务流的服务质量规划方法、装置及系统
CN106230623B (zh) * 2016-07-22 2019-03-15 中国联合网络通信集团有限公司 一种vim站点选择方法及装置
CN110046044B (zh) * 2018-01-16 2021-06-22 中国电信股份有限公司 基于nfv的虚拟资源配置方法以及系统
CN110351104A (zh) * 2018-04-02 2019-10-18 中国移动通信有限公司研究院 一种vim选择方法及装置
CN109189553A (zh) * 2018-08-17 2019-01-11 烽火通信科技股份有限公司 网络服务与虚拟资源多目标匹配方法及系统
CN109034119A (zh) * 2018-08-27 2018-12-18 苏州广目信息技术有限公司 一种基于优化的全卷积神经网络的人脸检测方法
CN109412829B (zh) * 2018-08-30 2020-11-17 华为技术有限公司 一种资源配置的预测方法及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108234158A (zh) * 2016-12-14 2018-06-29 中国电信股份有限公司 Vnf的建立方法、nfvo以及网络系统

Also Published As

Publication number Publication date
CN113472552A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN104168318B (zh) 一种资源服务系统及其资源分配方法
CN107404523A (zh) 云平台自适应资源调度系统和方法
US20170329643A1 (en) Distributed node intra-group task scheduling method and system
US20070234364A1 (en) Post-processing phase in a distributed computing system
CN105373432B (zh) 一种基于虚拟资源状态预测的云计算资源调度方法
CN111552550A (zh) 一种基于图形处理器gpu资源的任务调度方法、设备及介质
WO2013174451A1 (en) Method for executing processes on a worker machine of a distributed computing system and a distributed computing system
JP7412489B2 (ja) 連合学習方法及び装置、電子機器、記憶媒体ならびにコンピュータプログラム
WO2020134133A1 (zh) 一种资源配置方法、变电站及计算机可读存储介质
CN112732444A (zh) 一种面向分布式机器学习的数据划分方法
CN116263701A (zh) 算力网络任务调度方法、装置、计算机设备及存储介质
CN113472552B (zh) 基于深度学习的vim选择方法、装置、计算设备及存储介质
CN102184124B (zh) 任务调度方法及系统
CN106506229B (zh) 一种sbs云应用自适应资源优化调整系统及方法
CN107948330A (zh) 一种云环境下基于动态优先级的负载均衡策略
CN112130927B (zh) 一种可靠性增强的移动边缘计算任务卸载方法
CN111124619B (zh) 一种面向二次调度的容器调度方法
CN116976461A (zh) 联邦学习方法、装置、设备及介质
CN110851245A (zh) 一种分布式异步任务调度方法及电子设备
CN116932199A (zh) 云渲染方法、系统、装置、设备以及计算机存储介质
CN116467053A (zh) 资源调度方法及装置、设备、存储介质
CN115051998A (zh) 自适应边缘计算卸载方法、装置及计算机可读存储介质
CN109753343B (zh) Vnf实例化的方法及装置
CN105577760A (zh) 云计算分级管理方法及系统
CN114443258B (zh) 用于虚拟机的资源调度方法、装置、设备及存储介质

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