CN113535381B - 基于改进遗传算法的服务功能链映射方法、装置及设备 - Google Patents
基于改进遗传算法的服务功能链映射方法、装置及设备 Download PDFInfo
- Publication number
- CN113535381B CN113535381B CN202110637857.4A CN202110637857A CN113535381B CN 113535381 B CN113535381 B CN 113535381B CN 202110637857 A CN202110637857 A CN 202110637857A CN 113535381 B CN113535381 B CN 113535381B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- optimal
- chromosomes
- population
- individual
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于改进遗传算法的服务功能链映射方法、装置及设备,涉及计算机技术领域。该方法包括:基于任务请求中的虚拟网络功能和物理节点信息的映射方案生成染色体;生成初始种群;基于适应度值确定个体最优染色体集合和群体最优染色体并进行迭代,得到目标群体最优染色体,目标群体最优染色体对应的映射方案为目标映射方案。本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种基于改进遗传算法的服务功能链映射方法、装置及设备。
背景技术
现有技术在编码时将SFC的构建与映射编码为1条染色体,当在进行染色体交叉时,如果进行构建交叉则相应的映射编码部分也会进行更改,造成过高的算法复杂度和过长的时间复杂度,当进行多条SFC同时映射时,其算法复杂度更高,算法效率低,易陷入局部最优。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术进行构建交叉则相应的映射编码部分也会进行更改,造成过高的算法复杂度和过长的时间复杂度,当进行多条SFC同时映射时,其算法复杂度更高,算法效率低,易陷入局部最优的技术缺陷。
第一方面,提供了一种基于改进遗传算法的服务功能链映射方法,所述方法包括:
获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;
基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;
随机从各所述任务请求的染色体集合中选择方案生成初始种群;
基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;
基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案。
作为本申请一种可能的实施方式,在该实施方式中,所述基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体,包括:
采用预设的适应度函数计算各染色体的适应度值;
将所述迭代过程中每个个体适应度值最小的染色体作为个体最优染色体,基于各所述个体最优染色体确定所述群体最优染色体。
作为本申请一种可能的实施方式,在该实施方式中,基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率小于最优交叉概率时,将所述个体最优染色体和所述群体最优染色体进行交叉操作,得到新的染色体。
作为本申请一种可能的实施方式,在该实施方式中,基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率不小于最优交叉概率时,将所述个体最优染色体和普通染色体进行交叉操作,并将所述群体最优染色体和普通染色体进行交叉操作,得到新的染色体。
作为本申请一种可能的实施方式,在该实施方式中,所述基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率小于变异概率时,对各所述染色体执行变异操作,生成新的染色体。
作为本申请一种可能的实施方式,在该实施方式中,还包括:
对所述新的染色体进行可行性检查,将满足可行性检查的所述染色体确定为可选染色体。
作为本申请一种可能的实施方式,在该实施方式中,所述方法还包括:
计算所述可选染色体的适应度值,剔除所述适应度值变大的染色体,并计算当前种群的个体最优染色体和群体最优染色体。
第二方面,提供了一种基于改进遗传算法的服务功能链映射装置,包括:
信息获取模块,用于获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;
染色体生成模块,用于基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;
种群生成模块,用于随机从各所述任务请求的染色体集合中选择方案生成初始种群;
适应度值确定模块,用于基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;
迭代模块,用于基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案。
第三方面,提供了一种电子设备,该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的基于改进遗传算法的服务功能链映射方法。
第四方面,提供了一种计算机存储介质,所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的基于改进遗传算法的服务功能链映射方法。
本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过结合粒子群算法,保留粒子的个体极值和群体极值,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种基于改进遗传算法的服务功能链映射方法的流程示意图;
图2为本申请实施例提供的一种多编码示意图;
图3为本申请实施例提供的一种适应度值计算方法的流程示意图;
图4为本申请实施例提供的一种基于改进遗传算法的服务功能链映射的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
结合附图并参考以下具体实施方式,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请涉及的几个名词进行介绍和解释:
网络虚拟化:NFV(网络功能虚拟化)技术通过分离逻辑功能与物理资源,采用软件实现虚拟网络功能,把多样化的网络功能和服务从底层物理资源中抽象出来,VNF可以根据网络需要在不同的位置上进行实例化,如数据中心、网络节点和用户终端设备等。NFV采用虚拟化技术将多样的网络功能整合迁移至通用硬件平台,如工业标准高性能服务器等,实现网络功能的灵活部署和物理资源的高效利用。虚拟网络功能与专用硬件设备具有相同的功能性,可以由服务提供商或电信运营商在底层基础设施上进行实例化、运行和部署。NFV使得电信运营商能够摆脱专用硬件设备在功能上和空间上的束缚,实现网络服务的快速灵活部署和网络流量的高效处理,并且运营商可以根据VNF的负载变化动态调整VNF的资源分配,在满足更多的服务需求的同时降低运营成本。
服务功能链(SFC):不同的VNF按照一定策略连接起来,构成了服务功能链(SFC)。对于SFC,它在物理节点上运行,并包含多个VNF。不同的业务流量具有差异化的服务需求,因此,运营商需要对不同的业务流量进行分类,制定不同的路由策略,通过不同的服务功能链以满足相应的服务请求。部署SFC的主要挑战之一是资源优化(即NFV资源分配问题,由三个部分组成子问题:VNF链构建,VNF转发图形嵌入和VNF调度,旨在最大程度地利用资源或最大限度地减少运营开销。SFC构建和映射分别对应于VNF链构建和VNF转发图嵌入。在网络服务功能链映射中,VNF节点和物理网络设备通常都是异构的,且在SFC映射中不仅要满足VNF节点所需的计算资源,还需要考虑每个VNF的功能类型以及相应功能的实例化资源。
本申请提供的基于改进遗传算法的服务功能链映射方法、装置、电子设备和计算机存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例中提供了一种基于改进遗传算法的服务功能链映射方法,如图1所示,该方法包括:
步骤S101,获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;
步骤S102,基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;
步骤S103,随机从各所述任务请求的染色体集合中选择方案生成初始种群;
步骤S104,基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;
步骤S105,基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案。
在本申请实施中,在获取物理网络状态信息时,需要至少获取网络中物理节点信息,其中包括,物理节点的个数、每个物理节点的处理能力、每个物理节点能够处理的虚拟网络功能的种类、带宽以及节点之间的连接性等,获取任务请求时,每个任务请求中都包含多个虚拟网络功能。在基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体时,采用混合多编码的方式进行编码,为方便说明,以一个具体实施例为例,对于一个任务请求,包括多个虚拟网络功功能,当多个任务请求到来,在对多个任务的个虚拟网络功能分配物理节点时,如图2所示,采用多编码的方式,其中,竖线分割的代表不同的任务请求,左边的f1~f6表示多任务请求中不同的虚拟网络功能,右边的1~6标识物理节点,同种虚拟网络功能部署在相同节点上,不同虚拟网络功能部署在不同节点上,如2所示的一条链式结构标识一条染色体。其中,一个任务请求可以随机生成多条染色体,对于多个任务请求,随机选择染色体构建映射方案,生成初始种群,然后通过适应度值查找该初始种群中的个体最优染色体和群体最优染色体,其中,个体最优染色体可以有多个,群体最优染色体为个体最优染色体中的一个,然后按照预设的规则对个体最优染色体和群体最优染色体进行迭代,当迭代次数达到预设次数之后,确定目标群体最优染色体,该染色体对应的映射方案即为目标映射方案。
本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过结合粒子群算法,保留粒子的个体极值和群体极值,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
作为本申请一种可能的实施方式,在该实施方式中,如图3所示,所述基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体,包括:
步骤S301,采用预设的适应度函数计算各染色体的适应度值;
步骤S302,将所述适应度值小于预设阈值的染色体作为个体最优染色体,基于各所述个体最优染色体确定所述群体最优染色体。
在本申请实施例中,在计算各染色体的适应度值时,采用预设的适应度函数计算,其中,所述适应度函数如下:
其中,costm(r)为染色体的适应度值,为一个二进制矩阵,当其值为1时表示,服务r的虚拟网络功能f部署在了物理节点a上;/>也是一个二进制矩阵,当服务请求r相邻的两个虚拟网络功能p、q之间的链路映射到底层物理链路Πab时,其值为1,否则为0。其中εf,a表示将功能f映射到物理节点a的实例化开销,Bab,pq表示将虚拟链路ab映射到物理链路pq的实际带宽需求,γf为多链部署功能分享后,功能f实例化减少的数量。基于上述适应度函数计算各染色体的适应度值之后,将适应度值小的染色体确定为个体最优染色体,并从所述个体最优染色体中确定群体最优染色体。
本申请实施例通过适应度值确定个体最优染色体和群体最优染色体,提高算法效率。
作为本申请一种可能的实施方式,在该实施方式中,所述基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率小于最优交叉概率时,将所述个体最优染色体和所述群体最优染色体进行交叉操作,得到新的染色体。
对所述初始群体中的每个染色体,当随机生成概率不小于最优交叉概率时,将所述个体最优染色体和普通染色体进行交叉操作,并将所述群体最优染色体和普通染色体进行交叉操作,得到新的染色体。
对所述初始群体中的每个染色体,当随机生成概率小于变异概率时,对各所述染色体执行变异操作,生成新的染色体。
对所述新的染色体进行可行性检查,将满足可行性检查的所述染色体确定为可选染色体。
计算所述可选染色体的适应度值,剔除所述适应度值变大的染色体,并计算当前种群的个体最优染色体和群体最优染色体。
在本申请实施例中,在确定初始种群的个体最优染色体和群体最优染色体之后,需要按照预设的规则对个体最优染色体和群体最优染色体进行迭代,便于找到效果最佳的群体最优染色体,其中,迭代过程如下:针对初始种群中的每个染色体,通过随机数确定随机生成概率,当该随机生成概率不小于最优交叉概率时,将所述个体最优染色体和普通染色体进行交叉操作,并将所述群体最优染色体和普通染色体进行交叉操作,得到新的染色体,当随机生成概率小于变异概率时,对各所述染色体执行变异操作,生成新的染色体,然后对新生成的染色体进行可行性检查,其中,可行性检查是指看该染色体对应的映射关系中,是否满足不同的虚拟网络功能分配至不同的物理节点,相同的虚拟网络功能分配至相同的物理节点,将满足可行性检查的染色体确认为可选染色体,并计算经过交叉变异操作之后的该可选染色体的适应度值,并将适应度值变小的染色体留下,其余的染色体剔除,形成新的种群,然后重复计算该新的种群的个体最优染色体和群体最优染色体,并重复上述步骤,对个体最优染色体和群体最优染色体进行迭代,直至迭代次数达到预设的次数后,得到的群体最优染色体即为目标染色体,该目标染色体对应的映射方案基于目标映射方案,基于该目标映射方案,将各个任务请求中的虚拟网络功能分配至对应的物理节点上。
本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过结合粒子群算法,保留粒子的个体极值和群体极值,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
本申请实施例提供了一种基于改进遗传算法的服务功能链映射装置,如图4所示,该基于改进遗传算法的服务功能链映射装置40可以包括:信息获取模块401、染色体生成模块402、种群生成模块403、适应度值确定模块404、迭代模块405以及,其中,
信息获取模块401,用于获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;
染色体生成模块402,用于基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;
种群生成模块403,用于随机从各所述任务请求的染色体集合中选择方案生成初始种群;
适应度值确定模块404,用于基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;
迭代模块405,用于基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案。
作为本申请一种可能的实施方式,在该实施方式中,适应度值确定模块404在基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体时,可以用于:
采用预设的适应度函数计算各染色体的适应度值;
将所述适应度值小于预设阈值的染色体作为个体最优染色体,基于各所述个体最优染色体确定所述群体最优染色体。
作为本申请一种可能的实施方式,在该实施方式中,迭代模块405在基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代时,可以用于:
对所述初始群体中的每个染色体,当随机生成概率小于最优交叉概率时,将所述个体最优染色体和所述群体最优染色体进行交叉操作,得到新的染色体。
作为本申请一种可能的实施方式,在该实施方式中,迭代模块405在基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代时,可以用于:
对所述初始群体中的每个染色体,当随机生成概率不小于最优交叉概率时,将所述个体最优染色体和普通染色体进行交叉操作,并将所述群体最优染色体和普通染色体进行交叉操作,得到新的染色体。
作为本申请一种可能的实施方式,在该实施方式中,迭代模块405在基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代时,可以用于:
对所述初始群体中的每个染色体,当随机生成概率小于变异概率时,对各所述染色体执行变异操作,生成新的染色体。
作为本申请一种可能的实施方式,在该实施方式中,迭代模块405在基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代时,可以用于:
对所述新的染色体进行可行性检查,将满足可行性检查的所述染色体确定为可选染色体。
作为本申请一种可能的实施方式,在该实施方式中,迭代模块405在基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代时,可以用于:
计算所述可选染色体的适应度值,剔除所述适应度值变大的染色体,并计算当前种群的个体最优染色体和群体最优染色体。
本申请实施例的基于改进遗传算法的服务功能链映射装置可执行本申请前述实施例所示的基于改进遗传算法的服务功能链映射方法,其实现原理相类似,此处不再赘述。
本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过结合粒子群算法,保留粒子的个体极值和群体极值,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
本申请实施例中提供了一种电子设备,该电子设备包括:存储器和处理器;至少一个程序,存储于存储器中,用于被处理器执行时,获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;随机从各所述任务请求的染色体集合中选择方案生成初始种群;基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案。本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过集合粒子群算法,保留粒子的个体极值和群体极值,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
在一个可选实施例中提供了一种电子设备,如图5所示,图5所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscReadOnly Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码,以实现前述方法实施例所示的内容。
本申请实施例提供了一种计算机存储介质,该计算机存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,本申请实施例通过对多条服务功能链的映射方案进行混合多编码,不论对哪部分进行交叉、变异都不会对编码的其他部分造成影响,降低了算法复杂度和时间复杂度,通过结合粒子群算法,保留粒子的个体极值和群体极值,通过最优交叉,每个个体可以根据当前搜索状态动态调整搜索策略,通过自由交叉,可以扩大搜索空间避免陷入局部最优,从而引导SFC映射趋近最优解。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种基于改进遗传算法的服务功能链映射方法,其特征在于,所述方法包括:
获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;
基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;
随机从各所述任务请求的染色体集合中选择方案生成初始种群;
基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;
基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案;
所述基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体,包括:
采用预设的适应度函数计算各染色体的适应度值;
将所述迭代过程中每个个体适应度值最小的染色体作为个体最优染色体,基于各所述个体最优染色体确定所述群体最优染色体;
在计算各染色体的适应度值时,采用预设的适应度函数计算,其中,所述适应度函数如下:
其中,costm(r)为染色体的适应度值,为一个二进制矩阵,当其值为1时表示,服务r的虚拟网络功能f部署在了物理节点a上;/>也是一个二进制矩阵,当服务请求r相邻的两个虚拟网络功能p、q之间的链路映射到底层物理链路∏ab时,其值为1,否则为0;其中εf,a表示将功能f映射到物理节点a的实例化开销,Bab,pq表示将虚拟链路ab映射到物理链路pq的实际带宽需求,γf为多链部署功能分享后,功能f实例化减少的数量;基于上述适应度函数计算各染色体的适应度值之后,将适应度值小的染色体确定为个体最优染色体,并从所述个体最优染色体中确定群体最优染色体。
2.根据权利要求1所述的基于改进遗传算法的服务功能链映射方法,其特征在于,所述基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率小于最优交叉概率时,将所述个体最优染色体和所述群体最优染色体进行交叉操作,得到新的染色体。
3.根据权利要求1所述的基于改进遗传算法的服务功能链映射方法,其特征在于,所述基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率不小于最优交叉概率时,将所述个体最优染色体和普通染色体进行交叉操作,并将所述群体最优染色体和普通染色体进行交叉操作,得到新的染色体。
4.根据权利要求1所述的基于改进遗传算法的服务功能链映射方法,其特征在于,所述基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,包括:
对所述初始群体中的每个染色体,当随机生成概率小于变异概率时,对各所述染色体执行变异操作,生成新的染色体。
5.根据权利要求2~4中任一权利要求所述的基于改进遗传算法的服务功能链映射方法,其特征在于,还包括:
对所述新的染色体进行可行性检查,将满足可行性检查的所述染色体确定为可选染色体。
6.根据权利要求5所述的基于改进遗传算法的服务功能链映射方法,其特征在于,所述方法还包括:
计算所述可选染色体的适应度值,剔除所述适应度值变大的染色体,并计算当前种群的个体最优染色体和群体最优染色体。
7.一种基于改进遗传算法的服务功能链映射装置,其特征在于,包括:
信息获取模块,用于获取物理网络状态信息和任务请求,所述物理网络状态信息包括物理节点信息;
染色体生成模块,用于基于所述任务请求中的虚拟网络功能和所述物理节点信息的映射方案生成染色体;
种群生成模块,用于随机从各所述任务请求的染色体集合中选择方案生成初始种群;
适应度值确定模块,用于基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体;
迭代模块,用于基于预设的规则对所述个体最优染色体集合和群体最优染色体进行预设次数的迭代,得到目标群体最优染色体,所述目标群体最优染色体对应的映射方案为目标映射方案;
所述基于适应度值确定所述初始种群中的个体最优染色体集合和群体最优染色体,包括:
采用预设的适应度函数计算各染色体的适应度值;
将所述迭代过程中每个个体适应度值最小的染色体作为个体最优染色体,基于各所述个体最优染色体确定所述群体最优染色体;
在计算各染色体的适应度值时,采用预设的适应度函数计算,其中,所述适应度函数如下:
其中,costm(r)为染色体的适应度值,为一个二进制矩阵,当其值为1时表示,服务r的虚拟网络功能f部署在了物理节点a上;/>也是一个二进制矩阵,当服务请求r相邻的两个虚拟网络功能p、q之间的链路映射到底层物理链路∏ab时,其值为1,否则为0;其中εf,a表示将功能f映射到物理节点a的实例化开销,Bab,pq表示将虚拟链路ab映射到物理链路pq的实际带宽需求,γf为多链部署功能分享后,功能f实例化减少的数量;基于上述适应度函数计算各染色体的适应度值之后,将适应度值小的染色体确定为个体最优染色体,并从所述个体最优染色体中确定群体最优染色体。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1~6中任一项所述的基于改进遗传算法的服务功能链映射方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637857.4A CN113535381B (zh) | 2021-06-08 | 2021-06-08 | 基于改进遗传算法的服务功能链映射方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637857.4A CN113535381B (zh) | 2021-06-08 | 2021-06-08 | 基于改进遗传算法的服务功能链映射方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113535381A CN113535381A (zh) | 2021-10-22 |
CN113535381B true CN113535381B (zh) | 2023-09-08 |
Family
ID=78124677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637857.4A Active CN113535381B (zh) | 2021-06-08 | 2021-06-08 | 基于改进遗传算法的服务功能链映射方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535381B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124818B (zh) * | 2021-11-11 | 2023-07-04 | 广东工业大学 | 一种sdn网络中多播传输的新增功能节点部署优化方法 |
CN115361299B (zh) * | 2022-07-26 | 2023-09-01 | 广东工业大学 | 低时延边缘计算服务功能链部署方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107127A1 (en) * | 2015-12-24 | 2017-06-29 | Orange | Method and system for optimisation of virtual network functions under network function virtualisation environment |
CN108108815A (zh) * | 2017-12-13 | 2018-06-01 | 北京邮电大学 | 基于改进遗传算法的虚拟网络映射方法及装置 |
CN108134843A (zh) * | 2018-01-26 | 2018-06-08 | 重庆邮电大学 | 一种5g-c-ran场景下的服务功能链部署方法 |
CN110134493A (zh) * | 2019-05-05 | 2019-08-16 | 西安邮电大学 | 一种基于资源碎片避免的服务功能链部署算法 |
CN112187510A (zh) * | 2020-08-26 | 2021-01-05 | 中国科学院信息工程研究所 | 一种基于遗传算法的虚拟网络功能放置方法及电子装置 |
-
2021
- 2021-06-08 CN CN202110637857.4A patent/CN113535381B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107127A1 (en) * | 2015-12-24 | 2017-06-29 | Orange | Method and system for optimisation of virtual network functions under network function virtualisation environment |
CN108108815A (zh) * | 2017-12-13 | 2018-06-01 | 北京邮电大学 | 基于改进遗传算法的虚拟网络映射方法及装置 |
CN108134843A (zh) * | 2018-01-26 | 2018-06-08 | 重庆邮电大学 | 一种5g-c-ran场景下的服务功能链部署方法 |
CN110134493A (zh) * | 2019-05-05 | 2019-08-16 | 西安邮电大学 | 一种基于资源碎片避免的服务功能链部署算法 |
CN112187510A (zh) * | 2020-08-26 | 2021-01-05 | 中国科学院信息工程研究所 | 一种基于遗传算法的虚拟网络功能放置方法及电子装置 |
Non-Patent Citations (1)
Title |
---|
Task-Similarity-Based VNF Aggregation for Air–Ground Integrated Networks;Mingfeng Chen;《MDPI Sensors》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113535381A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334382B2 (en) | Technologies for batching requests in an edge infrastructure | |
CN113535381B (zh) | 基于改进遗传算法的服务功能链映射方法、装置及设备 | |
Li et al. | DeepNFV: A lightweight framework for intelligent edge network functions virtualization | |
CN109191287B (zh) | 一种区块链智能合约的分片方法、装置及电子设备 | |
CN111176731B (zh) | 一种提高芯片计算性能的方法、系统、设备及介质 | |
CN112087329B (zh) | 一种网络服务功能链部署方法 | |
Maqsood et al. | Congestion-aware core mapping for network-on-chip based systems using betweenness centrality | |
CN111630505A (zh) | 深度学习加速器系统及其方法 | |
CN116070682A (zh) | 神经元计算机操作系统的snn模型动态映射方法及装置 | |
Mirsadeghi et al. | PTRAM: A parallel topology-and routing-aware mapping framework for large-scale HPC systems | |
CN115509715A (zh) | 一种分布式任务调度方法、装置和电子设备 | |
CN114567563B (zh) | 网络拓扑模型的训练方法、网络拓扑的重构方法及装置 | |
CN115473838A (zh) | 网络请求的处理方法、装置、计算机可读介质及电子设备 | |
Tran-Dang et al. | Cooperation for distributed task offloading in fog computing networks | |
TW202315360A (zh) | 微服務分配方法、電子設備及儲存介質 | |
CN115879562A (zh) | 一种量子程序初始映射的确定方法、装置及量子计算机 | |
CN113535388B (zh) | 面向任务的服务功能聚合方法 | |
CN111245906A (zh) | 一种业务请求分配方法 | |
Shouman et al. | Static Workload Distribution of Parallel Applications in Heterogeneous Distributed Computing Systems with Memory and Communication Capacity Constraints | |
US20240185110A1 (en) | Distribution of quantum state vector elements across network devices in quantum computing simulation | |
Zeraoulia et al. | Stable Matching based Resource Allocation for Large-Scale Fog Computing | |
Liu et al. | Performance evaluation of fault tolerant routing algorithm in data center networks | |
Ullah et al. | Efficient Virtual Network Embedding with Hierarchical and Cooperative Multi-Agent Reinforcement Learning | |
CN117880145A (zh) | 多层级6g算力服务链异常检测机制部署方法、装置及设备 | |
CN117076111A (zh) | 编译方法、装置、设备及计算机可读存储介质 |
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 |