CN114006817B - 一种面向sdn的vgdt构建方法、装置及可读存储介质 - Google Patents
一种面向sdn的vgdt构建方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114006817B CN114006817B CN202111268971.0A CN202111268971A CN114006817B CN 114006817 B CN114006817 B CN 114006817B CN 202111268971 A CN202111268971 A CN 202111268971A CN 114006817 B CN114006817 B CN 114006817B
- Authority
- CN
- China
- Prior art keywords
- vgdt
- data
- granularity
- edge server
- sdn
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims description 47
- 108090000623 proteins and genes Proteins 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 37
- 210000000349 chromosome Anatomy 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 29
- 230000002068 genetic effect Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 108091026890 Coding region Proteins 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 235000019580 granularity Nutrition 0.000 claims 19
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 26
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/0826—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network costs
-
- 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
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种面向SDN网络的VGDT构建方法、装置及可读存储介质，在本发明中，基于应用需求和可用资源对数字孪生中映射数据的粒度和设备数字孪生体的构建位置进行动态调整，在合理的资源开销下，保证数字孪生分析、推演和控制软件定义网络的有效性，从而更好地满足应用需求。
Description
技术领域
本发明属于软件定义网络与智能通信网络领域，具体涉及一种面向软件定义网络(Software defined network,SDN)的可变粒度数字孪生(Variable granularity-digitaltwin,VGDT)构建方法、装置及可读存储介质。
背景技术
随着软件定义网络(software defined network,SDN)技术的发展，其应用范围也变得越来越广泛。在这些日益丰富的应用场景中，其应用需求也越来越多样化。为了适应不同的应用需求，SDN网络变得更加复杂，SDN控制器需要更加有效地组织、管理和优化SDN网络中的资源，以满足各种应用的需求。目前，构建SDN网络的数字孪生(Digital Twin,DT)，通过DT预测SDN网络的演化趋势、预先采取处理措施和反向控制SDN网络，使其更好地满足各种多样化的应用需求，是SDN网络一个重要的研究与发展方向。
现有的研究中，构建物理网络的DT有集中式和分布式两种方式，在集中式中，通过将DT构建在专用服务器或云服务器等设施上，能够对物理网络中各个设备的数字孪生体集中地管理和维护，并且DT拥有物理网络的所有数据，对物理网络进行分析和预测等级方便。但是，在这种方式中，用于构建DT的设施与物理网络之间存在大量的通信交互需求，会增加DT和物理网络进行数据交换的通信时延；同时，利用DT对物理网络进行分析时，该设施需要对全网的数据进行计算，有较大的计算负担和计算时延。因此，对于有严格时延要求的DT，这种构建方式效果往往不够理想，并且存在沉重的通信与其他资源开销。在分布式构建方式中，一般依托物理网络自身所包含的资源相对丰富(如边缘服务器)的设备，协同这些设备的资源共同构建物理网络的DT。这种方式中，逻辑上DT和物理网络是独立的；在实现上是将DT的构建分布式地融入到物理网络中，不需要增加额外的设备与资源。同时，边缘服务器分布在物理网络中，与物理网络设备的通信距离更短，通信时延更小；多个边缘服务器系统构建物理网络的DT，能够减轻各个边缘服务器的计算负担，提高计算效率。因此，在数字孪生对实时性和有效性具有严格要求时，往往更加倾向于采用这种方式。
目前，在物理网络中构建其DT，通常是以建立物理网络的完全映射，以虚拟空间中建立的DT与网络尽量完全相同为目标。然而，在具体的应用场景中，基于应用需求和特征，数字孪生不一定必须是物理网络的完全映射，而是物理网络的简化映射，如针对物理网络，调整其数字孪生构建粒度，进行简化构建，或者只针对物理网络某一部分的特征进行构建等等。在这种情况下，物理网络的数据并不一定需要完全映射到数字孪生中，从而节约系统的通信资源与计算资源。
因此，面向SDN网络与资源特征，以应用需求为向导，设计映射粒度可动态调整的DT构建方法，对于SDN网络与DT的融合发展、满足各种应用的多样化需求，都有重要的意义。
发明内容
针对现有技术中的上述不足，本发明提供的面向SDN网络的VGDT构建方法、装置及可读存储介质解决了传统DT构建方法中存在的建设成本大、映射数据冗余和网络开销大的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种面向SDN网络的VGDT构建方法，包括以下步骤：
S1、在SDN网络中分布式地构建VGDT；
S2、建立实时最大化VGDT有效性的优化模型；
S3、对优化模型进行求解，确定SDN网络中映射数据的粒度和设备数字孪生体构建位置，完成VGDT构建。
进一步地，所述步骤S1具体为：
S11、在SDN网络的应用需求下，通过离SDN控制器最近的边缘服务器e0对主机和交换机映射到VGDT中的数据进行精简，将每项映射到VGDT中的数据作为特征量；
同时，基于当前可用资源，对每项特征量进行可变粒度映射，并调整主机和交换机数字孪生体构建位置；
S12、根据边缘服务器e0的调整决策，主机和交换机向附近的其他边缘服务器ek的上传数据，进而局部更新SDN网络并与边缘服务器e0交互，实现整个SDN网络的VGDT构建。
进一步地，所述步骤S12中，边缘服务器e0的调整决策是指分别对交换机上传数据的粒度、主机上传数据的粒度及所有边缘服务器ek上建立数字孪生体的交换机和主机进行调整。
进一步地，所述步骤S2中，在一次数据粒度和数字孪生体调整周期内，通过确定VGDT运行时的实时性和完备性确定实时最大化VGDT有效性的优化模型；
其中，VGDT运行的实时性的影响因素包括VGDT从SDN网络获取数据的时延、边缘服务器ek之间的VGDT数据共享时延以及所有边缘服务器对局部SDN网络的计算时延；
VGDT运行的完备性的影响因素为具体应用场景下，交换机上传数据的粒度和主机上传数据的粒度。
进一步地，VGDT运行的实时性表示为：
式中，为VGDT的分析SDN网络的时延，其表达式为；
其中，为VGDT从SDN网络获取数据的时延，/>为边缘服务器ek之间的VGDT数据共享时延，/>为边缘服务器对局部SDN网络的计算时延，L为边缘服务器数量；
VGDT运行的完备性表示为：
式中，ψ(·)为具体应用场景下确定完备性的函数，Ωs为交换机上传数据的粒度组成的集合，Ωh为主机上传数据的粒度组成的集合，为交换机的每种映射数据对应的数据粒度，rs为/>对应的数据粒度的总数，/>为第k种交换机向边缘服务器在/>的映射数据量，/>为主机的每种映射数据对应的数据粒度，rh为/>对应的数据粒度的总数，/>为第k种主机向边缘服务器在/>时的映射数据量，Size为当前应用需求的原始数据量，/>
所述优化模型的表达式为：
s.t.
α+β＝1
0≤α,β≤1
0≤Ak(t)≤A(t)
C1∪C2∪…∪CL＝S∪H1∪H2∪…∪HL
式中，C为边缘服务器ek上建立数字孪生体的交换机和主机组成的集合，α为实时性对于VGDT有效性的影响权重，β为完备性对于VGDT有效性的影响权重，为边缘服务器ek上主机的数字孪生体的构建位置，Ak(t)为边缘服务器上数字孪生体的数量，A(t)为边缘服务器上数字孪生体的数量的限定值，Ck为第k个边缘服务器ek上建立数字孪生体的交换机和主机组成的集合，k＝1,2,3…,L，Ck′为边缘服务器上交换机和主机的数字孪生体集合，S为交换机组成的集合，Hk为第k个边缘服务器下交换机Si下的主机集合。
进一步地，所述步骤S3中，通过改进的遗传算法对优化模型进行求解；
在通过改进的遗传算法求解过程中，基于数据的粒度进行调整时，数字孪生体的架构位置为边缘服务器ek，通过进行分段染色体编码、确定分段交叉算子及分段变异算子，确定每次迭代时从父代产生的新的个体，并对交叉算子和变异算子进行自适应调整，以实现优化模型求解的全局收敛。
进一步地，进行分段染色体编码的方法具体为：
设一条染色体上有三个基因区域，分别为和Cτ，τ表示进化代数，在染色体上，对/>和/>小数点后μ位的数字进行整数编码，即在一个长度为μ的基因段/>或/>中，第一个基因到第μ个基因共同组成求解结果，对gi,j进行符号编码，即每个基因代表一个gi,j值；其中，/>为进化代数为τ时，交换机上传数据的粒度集合对应的基因区域，/>为进化代数为τ时，主机上传数据的粒度集合对应的基因区域，Cτ为进化代数为τ时，所有边缘服务器ek上建立数字孪生体的交换机和主机组成的集合对应的基因区域，gi,j为交换机或主机的数字孪生体构建位置；
通过分段交叉算子对及/>的整数编码区域和符号编码区域进行并行求解，对交叉算子进行自适应调整时，假设整数编码区域和符号编码区域以不同的交叉概率/>和分别进行交叉运算，并对交叉概率进行自适应调整，其自适应调整公式为：
式中，pmax为最优个体适应度，p′为进行交叉操作时的两个染色体中最大适应度，p为进行变异操作染色体的适应度，pavg为第τ代种群的平均适应度，均为(0,1]之间设定的常数；
对变异算子进行自适应调整时，假设整数编码区域和符号编码区域以不同变异概率和/>分别做变异运算，并对变异概率进行自适应调整，其自适应调整公式为：
一种VGDT构建装置，包括：
VGDT构建模块，用于在SDN网络中构建VGDT；
VGDT优化模块，用于构建最大化VGDT有效性的优化模型；
VGDT求解模块，用于对优化模型进行求解，确定SDN网络中映射数据的粒度和设备数字孪生体构建位置。
进一步地，在所述VGDT构建模块中，基于应用需求和可用资源，通过对数字孪生中映射数据的粒度和设备数字孪生体的构建位置进行调整，进而构建VGDT；
在所述VGDT优化模块中，通过满足VGDT运行的实时性和完备性，以构建最大化VGDT有效性的优化模型；其中，实时性的影响因素包括数据获取时延、数据共享时延以及数据计算时延，完备性的影响因素为具体应用场景下，设备上传数据的粒度；
在所述VGDT求解模块中，通过改进的遗传算法对优化模型进行求解；其中，所述改进的遗传算法包括分段染色体编码、分段交叉算子、分段变异算子以及对交叉算子和变异算子的自适应调整。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，执行所述计算机程序时实现上述面向SDN网络的VGDT构建方法。
本发明的有益效果为：
(1)本发明方法根据SDN网络可用资源有限的情况下，建立了面向SDN网络的可变粒度数字孪生分布式构建模型，通过改进的遗传算法动态调整各项数据的映射粒度和交换机、主机的数字孪生体构建位置，以满足多样化的应用需求。
(2)本发明在SDN网络中具有富余算力的边缘服务器上分布式地构建SDN网络的VGDT，并根据应用需求和SDN网络中的可用资源对映射数据的粒度、交换机和主机的数字孪生体进行动态调整，以保证VGDT在分析、推演和控制SDN网络的有效性，从而更好地满足应用需求。
(3)本发明也可以拓展应用到其他网络结构中，对建设智能通信网络有积极作用。
附图说明
图1为本发明提供的面向SDN网络的VGDT构建方法流程图。
图2为本发明提供的SDN网络的数字孪生构建框架图。
图3为本发明提供的遗传算法流程图。
图4为本发明提供的染色体编码示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
由于在SDN网络中构建其DT，面临着建设成本大、映射数据冗余和网络开销高的问题，本发明实施例中设计了一种面向SDN网络的VGDT构建方法，如图1所示，包括以下步骤：
S1、在SDN网络中分布式地构建VGDT；
S2、建立实时最大化VGDT有效性的优化模型；
S3、对优化模型进行求解，确定SDN网络中映射数据的粒度和设备数字孪生体构建位置，完成VGDT构建。
在本发明实施例中，SDN网络中具有富余算力的边缘服务器上分布式地构建SN网络的VGDT，并根据应用需求和SDN网络中的可用资源对映射数据的粒度、交换机和主机的数字孪生体进行动态调整，以保证VGDT在分析、推演和控制SDN网络的有效性，从而更好地满足应用需求。
实施例2：
针对实施例1的步骤S1中构建VGDT的过程，具体如下：
如图2所示，如图1所示，在SDN网络中，有交换机、主机、边缘服务器和控制器四种设备。其中，边缘服务器是SDN中具有富余计算能力的设备，和主机、交换机共同组成了SDN网络的数据平面。交换机组成的集合表示为S＝{s1,s2,…,sM}(M>0且为整数)；交换机si(i∈[1,M]且i为整数)下的主机集合为ni(ni>0且为整数)为交换机si所连接的主机数量。边缘服务器的集合表示为E＝{e0,e1,e2,…,eL}(L>0且为整数)，其中e0是距离SDN控制器最近的边缘服务器，负责协同各边缘服务器构建出整个SDN网络的VGDT，以及对主机和交换机映射数据的粒度、数字孪生体的构建位置进行调整；其他边缘服务器ek(k∈[1,L]且k为整数，L为其他边缘服务器的数量)负责收集主机和交换机的映射数据，建立主机和交换机的数字孪生体。在ek上建立数字孪生体的交换机、主机组成集合Ck，且C1∪C2∪…∪CL＝S∪H1∪H2…∪HM，且C＝{C1,C2,…,CL}。同时，由于边缘服务器上的可用资源限制，在ek上建立的数字孪生体的数量不超过A(t)，A(t)在单位时间内会一直变化。
在ek上si的数字孪生体用进行表示；其中，/>为si的能力，如数据包转发速度和计算速度等；/>为si在SDN网络中的设备连接关系集合；/>为控制器给交换机发送的转发流表。hi,j的数字孪生体用进行表示；其中，/>为hi,j的能力，如CPU频率和内存大小等；/>为hi,j在SDN网络中的设备连接关系；/>为hi,j在SDN网络中与通信行为相关的数据，包括通信日志、流量统计数据、通信平均缓存大小和平均数据流大小等特征量。在VGDT的运行过程中，交换机和主机主要向边缘服务器上传的数据为/>和/>
基于此，本实施例中构建VGDT的方法具体为：
S11、在SDN网络的应用需求下，通过离SDN控制器最近的边缘服务器e0对主机和交换机映射到VGDT中的数据进行精简，将每项映射到VGDT中的数据作为特征量；
同时，基于当前可用资源，对每项特征量进行可变粒度映射，并调整主机和交换机数字孪生体构建位置；
S12、根据边缘服务器e0的调整决策，主机和交换机向附近的其他边缘服务器ek的上传数据，进而局部更新SDN网络并与边缘服务器e0交互，实现整个SDN网络的VGDT构建。
在本实施例的步骤S11中，根据应用需求对和/>中的数据进行调整，如需要对SDN网络进行流量分析时，选择只与流量分析相关的特征量进行上传，即/>和中此时只包括流量统计数据与平均数据流大小等相关的特征量，在精简特征量的基础上，会适当减少要上传到VGDT的数据量，即对于每项特征量中的数据进行可变粒度映射，在在能满足应用需求的情况下，减少SDN网路向数字孪生上传映射数据的通信压力和VGDT分析SDN网络的计算压力。假设在应用需求下，si和hi,j分别会向ek传输rs和rh种映射数据，si和hi,j的每种映射数据对应的数据粒度为/>和/>由交换机上传数据的粒度组成集合/>由主机上传数据的粒度组成集合/>
在本实施例的步骤S12中，边缘服务器e0的调整决策是指分别对交换机上传数据的粒度、主机上传数据的粒度及所有边缘服务器ek上建立数字孪生体的交换机和主机进行调整；因此，在e0对各项数据的粒度集合Ωs、Ωh、C进行调整后，si和hi,j会根据e0的决策向附近的ek上传数据，以构建si和hi,j的数字孪生体si′和hi′,j(j∈[1,ni]且j为整数)。同时，边缘服务器e0与ek进行通信交互，将所有局部SDN网络的数字孪生进行连接，从而构建出整个SDN网络的可变粒度数字孪生。
实施例3：
针对实施例1的步骤S2中构建优化模型过程具体如下：
SDN网络的可用资源实时变化，e0根据当前的可用资源和应用需求对Ωs、Ωh、C进行调整，进而影响VGDT对SDN网络分析、预测和控制的有效性。该有效性主要与VGDT的实时性与完备性有关；因此，本实施例中，在一次数据粒度和数字孪生体调整周期内，通过确定VGDT运行时的实时性和完备性确定实时最大化VGDT有效性的优化模型；
其中，VGDT运行的实时性的影响因素包括VGDT从SDN网络获取数据的时延、边缘服务器ek之间的VGDT数据共享时延以及所有边缘服务器对局部SDN网络的计算时延；VGDT运行的完备性的影响因素为具体应用场景下，交换机上传数据的粒度和主机上传数据的粒度。
在本发明实施例中，为了更好的描述与实时性相关的三种时延，首先介绍SDN网络中基本通信时延计算方法：
假设以SDN网络中所有设备为节点的无向图用来描述SDN网络，即SDN网络数据平面的拓扑图为G＝(V,D)。假设SDN中的节点集合为V，包括si、hi,j和ek；D是由这些节点之间的物理连接关系(包括通信距离)组成的集合。在SDN网络中，两个直连设备的通信时延通常由处理时延、排队时延、发送时延(transmission latency)和传播时延(propagationlatency)构成。考虑到处理时延与排队时延通常与具体应用网络的特征有关，并且在同一个网络中其值相对比较确定，为简化分析并不失一般性，同一个SDN网络中，我们将每一跳的处理时延采用均值tproc，每一跳排队时延采用均值tque。发送时延是将数据帧从交换机中发送出去的时间，记si上的发送时延为
其中，size为需要发送的数据量，B为交换机的数据发送速率。对于size，有或/>和/>分别是si和hi,j上传的数据量，当数据粒度集合Ωs和Ωh改变时，有/>和/> 是第k种交换机向边缘服务器在/>的映射数据量，/>是第k种主机向边缘服务器的/>时的映射数据量。
传播时延为电磁波在节点u与节点v(u,v∈V)之间传播一定距离的时间，记为
d(u,v)是节点u与节点v之间的通信距离，是电磁波在光纤上的传输速率。
若节点u向节点v发送一份数据量为sizeu的报文，中途经过m(m∈[0,M])个交换机，记这些交换机为是s(u,v)1＝su、s(u,v)2、…、s(u,v)m＝sv，数据从节点u到节点v的数据发送时延为：
数据在通信链路上的传播时延为：
其中，si向ek上传数据时，
在本实施例中，基于上述通信时延计算方法，计算VGDT从SDN网络获取数据的时延的方法具体为：
集合Ck中的设备向ek上传映射数据时，首先会根据e0下发的数据粒度ω(0<ω≤100％)对上传数据进行计算，如进行数据抽样或调整统计周期等，随后通过SDN网络传输到ek。同时，ek之间也会对部分数字孪生体的数据进行迁移，即将数字孪生体构建位置有变化的si′和hi′,j的历史数据发送到ek′(k≠k′)，但这部分si、hi,j一般处于距离ek较远的位置，每次构建位置有变化的数字孪生体数量较少，相对于设备向边缘服务器上传数据的通信时延更小，数据迁移过程的通信时延可以忽略。
假定从si到ek有m1跳，从hi,j到ek有m2跳(考虑到hi,j的数据从si中转，故通常m2＝m1+1)，则映射数据从si和hi,j向ek聚合的时延分别为：
和
对于Ck中si和hi,j的映射数据向ek聚合的平均时延(即VGDT从SDN网络获取数据的时延)可以表示为：
其中和/>分别表示s′i和h′i,j的构建位置，当si或hi,j在集合Ck中，否则/>表示ek上的数字孪生体数量。
在本实施例中，基于上述通信时延计算方法，计算边缘服务器ek之间的VGDT数据共享时延的方法具体为：
在协同构建SDN网络的VGDT过程中，不同的边缘服务器之间通过e0共享局部SDN网络的VGDT数据，建立整网的VGDT。假设某个边缘服务器ek与e0最短通信路径上的交换机组成集合则ek在与e0进行交互的通信时延(即边缘服务器ek之间的DT数据共享时延)为：
其中，Ne为ek与e0之间通信的次数，m为ek与e0之间的跳数，sizee为ek与e0之间每次交互传输的数据量；在应用的需求下，ek与e0之间每次主要会交互利用数字孪生技术对局部SDN网络进行分析的参数，并且每次交互的数据量较稳定。
在本实施例中，基于上述通信时延计算方法，计算所有边缘服务器对局部SDN网络的计算时延的方法具体为：
当映射数据的粒度和数字孪生体的分布改变时，会直接影响ek上分析、预测SDN网络的数据量，进而影响ek对局部SDN网络映射数据的处理时延。ek在对局部SDN网络进行分析、预测时的计算量表示为
其中，是数据粒度对于数字孪生分析SDN网络的计算量影响函数，取决于应用需求，且/>的值随Ωs和Ωh中粒度值增加。在本发明中，令
表示映射数据的粒度改变时，ek计算数据的时延呈指数关系增长。
ek上运行数字孪生对SDN进行分析、预测时的处理时延(即计算时延)为：
其中，θ是一个常数，表示计算量和计算周期的折算关系；fe是ek用于数字孪生对SDN网络进行分析的计算资源(表征为ek的CPU频率)，在本文中假设边缘服务器的fe相同。
基于上述时延计算，VGDT的分析SDN网络的时延为：
其中，为VGDT从SDN网络获取数据的时延，/>为边缘服务器ek之间的VGDT数据共享时延，/>为边缘服务器对局部SDN网络的计算时延，L为边缘服务器数量；
在数据传输时延和处理时延越大时，实时性越小，将时延归一化后，得到VGDT运行的实时性表示为：
在本发明实施例中，在应用需求下，当VGDT用于分析、预测SDN网络的数据粒度改变时，会直接影响分析结果的完备性；并且映射数据越完整时，完备性越高。在本发明实施例中，调整映射数据的粒度对与VGDT完备性影响用Ra(t)＝ψ(Ωs,Ωh)表示，ψ(Ωs,Ωh)∈(0,1]与具体应用场合相关。在本发明实施例中，VGDT运行的完备性表示为：
式中，ψ(·)为具体应用场景下确定完备性的函数，Ωs为交换机上传数据的粒度组成的集合，Ωh为主机上传数据的粒度组成的集合，为交换机的每种映射数据对应的数据粒度，rs为/>对应的数据粒度的总数，/>为第k种交换机向边缘服务器在/>的映射数据量，/>为主机的每种映射数据对应的数据粒度，rh为/>对应的数据粒度的总数，/>为第k种主机向边缘服务器在/>时的映射数据量，Size为当前应用需求的原始数据量，/>
在本发明实施例中，基于上述确定的实时性和完备性，根据可用资源调整映射数据的粒度，会影响数字孪生的实时性和计算量，进而影响对SDN网络的分析、预测和控制效果。当数据粒度越高，对SDN网络进行分析、预测计算的数据量越大，分析结果的完备性越高，但会增加数据的传输时延和处理时延，进而降低实时性。因此，在应用需求下，随着可用资源变化，通过调整映射数据粒度和数字孪生体分布，数字孪生对SDN网络的分析、预测和控制效果对应的优化模型的表达式为：
s.t.
α+β＝1
0≤α,β≤1
0≤Ak(t)≤A(t)
C1∪C2∪…∪CL＝S∪H1∪H2∪…∪HL
式中，C为边缘服务器ek上建立数字孪生体的交换机和主机组成的集合，α为实时性对于VGDT有效性的影响权重，β为完备性性对于VGDT有效性的影响权重，为边缘服务器ek上主机的数字孪生体的构建位置，Ak(t)为边缘服务器上数字孪生体的数量，A(t)为边缘服务器上数字孪生体的数量的限定值，Ck为第k个边缘服务器ek上建立数字孪生体的交换机和主机组成的集合，k＝1,2,3…,L，Ck′为边缘服务器上交换机和主机的数字孪生体集合，S为交换机组成的集合，Hk为第k个边缘服务器下交换机Si下的主机集合。
在上述优化模型中，是一个典型的混合整数优化问题，该问题在数学上是一个NP-Complete问题。
实施例4：
针对实施例1的步骤S3，通过改进的遗传算法对优化模型进行求解；
在通过改进的遗传算法求解过程中，基于数据的粒度进行调整时，数字孪生体的架构位置为边缘服务器ek，通过进行分段染色体编码、确定分段交叉算子及分段变异算子，确定每次迭代时从父代产生的新的个体，并对交叉算子和变异算子进行自适应调整，以实现优化模型求解的全局收敛。
具体地，在一次数据粒度和数字孪生体调整周期内，每个主机或者交换机只能在一个边缘服务器上建立数字孪生体，则在中只有一个/>其余为零。为更好求解实施例3中的优化模型，当/>时，有1≤gi,j＝k≤L。因此，当gi,j＝k时，集合Ck中会包含si或hi,j。如图3所示，本实施例中通过改进的遗传算法对优化模型进行求解，遗传算法是一种对全局进行优化的自适应概率搜索算法，通过模拟生物的自然进化过程对最优解进行搜索，在每一次的进化过程中，通过选择、交叉和变异等遗传算子，从父代个体中产生新的个体。种群中的每个个体都是一组候选解，通过多次迭代，能够得到满足收敛条件的最优解。
本实施例中，进行分段染色体编码的方法具体为：
基于1<gi,j≤L且gi,j为整数，如图4所示，设一条染色体上有三个基因区域，分别为/>和Cτ，τ表示进化代数，在染色体上，每个基因代表/>或gi,j的值，如基因/>和/>分别是/>的小数点后第一位和小数点后第μ位，/>和/>同理，且基因链/>和/>的长度分别为μrs和μrh，在基因区域Cτ上，/>上的值为gi,j，如在e1上建立交换机s1的数字孪生体，则g1,0＝1，且Cτ的长度为/>
在进行染色体编码时，对和/>小数点后μ位的数字进行整数编码，即在一个长度为μ的基因段/>或/>中，第一个基因到第μ个基因共同组成求解结果，对gi,j进行符号编码，即每个基因代表一个gi,j值；其中，/>为进化代数为τ时，交换机上传数据的粒度集合对应的基因区域，/>为进化代数为τ时，主机上传数据的粒度集合对应的基因区域，Cτ为进化代数为τ时，所有边缘服务器ek上建立数字孪生体的交换机和主机组成的集合对应的基因区域，gi,j为交换机或主机的数字孪生体构建位置。
在本实施例中的改进遗传算法中，主要的控制参数为种群规模Ns、交叉概率Pc、变异概率Pm和迭代次数Nd，分别对求解优化问题时的解个数、交叉操作、变异操作和求解次数产生影响。由于实施例3中的优化模型得到的R(t)≥0，可直接将其作为遗传算法的适应度函数。
在本实施例中的改进遗传算法中，对于选择算子：
在父代种群选择策略中，轮盘赌选择是最常见的方法，其基本思想为：每个个体被选中的概率与其适应度值的大小正相关，并且该方法是基于概率的，结合最优个体保留策略，既能够保证当前适应度最优的个体能进化到下一代，又能改善遗传算法的局部最优问题。
在第τ代种群向第τ+1代个体进化时，假设为最优个体，其余个体被选种进行遗传变异的概率为
其余个体经过交叉、变异操作后，生成Ne个新个体，若存在适应度大于第τ代最优个体/>的新个体，则舍弃/>选择新个体/>为最优个体；否则，则用/>替换适应度最差的新个体，且/>
在本实施例中的改进遗传算法中，对于交叉算子：
在染色体混合编码模式下遗传进化时，整数编码区域和/>中的基因段/>和是连续变化的，符号编码区域Cτ中的基因gi,j的变化是离散的。在遗传算法中，交叉算子是进化新个体的主要算子，对遗传算法的搜索效率影响很大。为提高遗传算法的收敛速度，本实施例中提出一种分段交叉算子，对整数编码区域和符号编码区域进行并行求解。同时，染色体中存在很多个基因段，为加快每个基因段的进化速度，两条染色体的交叉点数量为：/>
对交叉算子进行自适应调整时，假设整数编码区域和符号编码区域以不同的交叉概率和/>分别进行交叉运算，并对交叉概率进行自适应调整，其自适应调整公式为：
式中，pmax为最优个体适应度，p′为进行交叉操作时的两个染色体中最大适应度，p为进行变异操作染色体的适应度，pavg为第τ代种群的平均适应度，均为(0,1]之间设定的常数；
本实施例中并行的分段交叉算子的执行流程为：
1)对种群中的个体进行随机配对；
2)从配对成功的染色体上随机选取θ个基因段，然后从每个基因段中随机选一个基因位置作为交叉点；
3)对于两条染色体整数编码区域的每个交叉点按概率判断是否需要交叉，若需要交叉，则交换两个基因；否则，不做改变。以概率/>判断符号编码区域的每个交叉点是否需要交叉，若需要交叉，则交换两个基因；否则，不做改变。
在本实施例中的改进遗传算法中，对于变异算子：
经过多次的交叉和选择后，种群中的个体会逐渐区域一致，变异算子的存在能够提高种群的多样性，缓解陷入局部最优。由于染色体上存在两种编码区域，本文提出分段变异算子。假设整数编码区域和符号编码区域以不同变异概率分别做变异运算，并且对变异概率进行自适应调整，有
其中，pmax是最优个体的适应度，p是进行变异操作染色体的适应度，pavg为第τ代种群的平均适应度；；均为(0,1]之间设定的常数。
本实施例中并行的分段变异算子的执行流程如下：
1)分别从整数编码区域中和/>中随机选取一个基因段/>和/>从符号编码区域中选取一个基因gi,j；
2)以概率对判断/>和/>上的每个基因是否需要变异，若是，则用[0,9]上的随机整数，替代基因位/>或/>上的整数；否则不作操作。以概率/>对判断基因gi,j是否需要变异，若是，则用[1,L]上的随机符号，替代基因位上的边缘服务器编号；否则不作操作。
实施例5：
本发明实施例提供了一种面向SDN网络的VGDT构建装置，包括：
VGDT构建模块，用于在SDN网络中构建VGDT；
VGDT优化模块，用于构建最大化VGDT有效性的优化模型；
VGDT求解模块，用于对优化模型进行求解，确定SDN网络中映射数据的粒度和设备数字孪生体构建位置。
在本发明实施例中的所述VGDT构建模块中，基于应用需求和可用资源，通过对数字孪生中映射数据的粒度和设备数字孪生体的构建位置进行调整，进而构建VGDT；具体地，其实现过程为：在SDN网络的应用需求下，通过离SDN控制器最近的边缘服务器e0对主机和交换机映射到VGDT中的数据进行精简，将每项映射到VGDT中的数据作为特征量；同时，基于当前可用资源，对每项特征量进行可变粒度映射，并调整主机和交换机数字孪生体构建位置；根据边缘服务器e0的调整决策，主机和交换机向附近的其他边缘服务器ek的上传数据，进而局部更新SDN网络并与边缘服务器e0交互，实现整个SDN网络的VGDT构建；其中，边缘服务器e0的调整决策是指分别对交换机上传数据的粒度、主机上传数据的粒度及所有边缘服务器ek上建立数字孪生体的交换机和主机进行调整。
在本发明实施例的VGDT优化模块中，在一次数据粒度和数字孪生体调整周期内，通过满足VGDT运行的实时性和完备性，以构建最大化VGDT有效性的优化模型；其中，实时性的影响因素包括数据获取时延、数据共享时延以及数据计算时延，完备性的影响因素为具体应用场景下，设备上传数据的粒度。
在本发明实施例的VGDT求解模块中，通过改进的遗传算法对优化模型进行求解；其中，所述改进的遗传算法包括分段染色体编码、分段交叉算子、分段变异算子以及对交叉算子和变异算子的自适应调整。
本发明实施例中的VGDT构建装置的工程为：基于应用需求和可用资源，通过对数字孪生中映射数据的粒度和设备数字孪生体的构建位置进行调整，进而构建VGDT，在一次数据粒度和数字孪生体调整周期内，通过满足VGDT运行的实时性和完备性，以构建最大化VGDT有效性的优化模型，并通过改进的遗传算法对优化模型进行求解，以确定出数字孪生体的位置，实现VGDT的构建。
实施例6：
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，执行所述计算机程序时实现如本发明实施例1～实施例4中任一所述的面向SDN网络的VGDT构建方法的部分或全部步骤。
本发明实施例中，计算机可读存储介质包括但不限于U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种面向SDN网络的VGDT构建方法，其特征在于，包括以下步骤：
S1、在SDN网络中分布式地构建VGDT；
S2、建立实时最大化VGDT有效性的优化模型；
S3、对优化模型进行求解，确定SDN网络中映射数据的粒度和设备数字孪生体构建位置，完成VGDT构建；
所述步骤S1具体为：
S11、在SDN网络的应用需求下，通过离SDN控制器最近的边缘服务器e0对主机和交换机映射到VGDT中的数据进行精简，将每项映射到VGDT中的数据作为特征量；
同时，基于当前可用资源，对每项特征量进行可变粒度映射，并调整主机和交换机数字孪生体构建位置；
S12、根据边缘服务器e0的调整决策，主机和交换机向附近的其他边缘服务器ek的上传数据，进而局部更新SDN网络并与边缘服务器e0交互，实现整个SDN网络的VGDT构建；
所述步骤S2中，在一次数据粒度和数字孪生体调整周期内，通过确定VGDT运行时的实时性和完备性确定实时最大化VGDT有效性的优化模型；
其中，VGDT运行的实时性的影响因素包括VGDT从SDN网络获取数据的时延、边缘服务器ek之间的VGDT数据共享时延以及所有边缘服务器对局部SDN网络的计算时延；
VGDT运行的完备性的影响因素为具体应用场景下，交换机上传数据的粒度和主机上传数据的粒度；
所述步骤S3中，通过改进的遗传算法对优化模型进行求解；
在通过改进的遗传算法求解过程中，基于数据的粒度进行调整时，数字孪生体的架构位置为边缘服务器ek，通过进行分段染色体编码、确定分段交叉算子及分段变异算子，确定每次迭代时从父代产生的新的个体，并对交叉算子和变异算子进行自适应调整，以实现优化模型求解的全局收敛。
2.根据权利要求1所述的面向SDN网络的VGDT构建方法，其特征在于，所述步骤S12中，边缘服务器e0的调整决策是指分别对交换机上传数据的粒度、主机上传数据的粒度及所有边缘服务器ek上建立数字孪生体的交换机和主机进行调整。
3.根据权利要求1所述的面向SDN网络的VGDT构建方法，其特征在于，VGDT运行的实时性表示为：
式中，为VGDT的分析SDN网络的时延，其表达式为；
其中，为VGDT从SDN网络获取数据的时延，/>为边缘服务器ek之间的VGDT数据共享时延，/>为边缘服务器对局部SDN网络的计算时延，L为边缘服务器数量；
VGDT运行的完备性表示为：
式中，ψ(·)为具体应用场景下确定完备性的函数，Ωs为交换机上传数据的粒度组成的集合，Ωh为主机上传数据的粒度组成的集合，为交换机的每种映射数据对应的数据粒度，rs为/>对应的数据粒度的总数，/>为第k种交换机向边缘服务器在/>的映射数据量，/>为主机的每种映射数据对应的数据粒度，rh为/>对应的数据粒度的总数，为第k种主机向边缘服务器在/>时的映射数据量，Size为当前应用需求的原始数据量，/>
所述优化模型的表达式为：
s.t.
α+β＝1
0≤α,β≤1
0≤Ak(t)≤A(t)
C1∪C2∪…∪CL＝S∪H1∪H2∪…∪HL
式中，C为边缘服务器ek上建立数字孪生体的交换机和主机组成的集合，α为实时性对于VGDT有效性的影响权重，β为完备性对于VGDT有效性的影响权重，为边缘服务器ek上主机的数字孪生体的构建位置，Ak(t)为边缘服务器上数字孪生体的数量，A(t)为边缘服务器上数字孪生体的数量的限定值，Ck为第k个边缘服务器ek上建立数字孪生体的交换机和主机组成的集合，k＝1,2,3…,L，Ck′为边缘服务器上交换机和主机的数字孪生体集合，S为交换机组成的集合，Hk为第k个边缘服务器下交换机Si下的主机集合。
4.根据权利要求1所述的面向SDN网络的VGDT构建方法，其特征在于，进行分段染色体编码的方法具体为：
设一条染色体上有三个基因区域，分别为和Cτ，τ表示进化代数，在染色体上，对/>和/>小数点后μ位的数字进行整数编码，即在一个长度为μ的基因段/>或/>中，第一个基因到第μ个基因共同组成求解结果，对gi,j进行符号编码，即每个基因代表一个gi,j值；其中，/>为进化代数为τ时，交换机上传数据的粒度集合对应的基因区域，/>为进化代数为τ时，主机上传数据的粒度集合对应的基因区域，Cτ为进化代数为τ时，所有边缘服务器ek上建立数字孪生体的交换机和主机组成的集合对应的基因区域，gi,j为交换机或主机的数字孪生体构建位置；
通过分段交叉算子对及/>的整数编码区域和符号编码区域进行并行求解，对交叉算子进行自适应调整时，假设整数编码区域和符号编码区域以不同的交叉概率/>和/>分别进行交叉运算，并对交叉概率进行自适应调整，其自适应调整公式为：
式中，pmax为最优个体适应度，p′为进行交叉操作时的两个染色体中最大适应度，p为进行变异操作染色体的适应度，pavg为第τ代种群的平均适应度，均为(0,1]之间设定的常数；
对变异算子进行自适应调整时，假设整数编码区域和符号编码区域以不同变异概率和/>分别做变异运算，并对变异概率进行自适应调整，其自适应调整公式为：
5.一种基于权利要求1～4任一项权利要求所述的面向SDN网络的VGDT构建方法的VGDT构建装置，其特征在于，包括：
VGDT构建模块，用于在SDN网络中构建VGDT；
VGDT优化模块，用于构建最大化VGDT有效性的优化模型；
VGDT求解模块，用于对优化模型进行求解，确定SDN网络中映射数据的粒度和设备数字孪生体构建位置。
6.根据权利要求5所述的VGDT构建装置，其特征在于，在所述VGDT构建模块中，基于应用需求和可用资源，通过对数字孪生中映射数据的粒度和设备数字孪生体的构建位置进行调整，进而构建VGDT；
在所述VGDT优化模块中，通过满足VGDT运行的实时性和完备性，以构建最大化VGDT有效性的优化模型；其中，实时性的影响因素包括数据获取时延、数据共享时延以及数据计算时延，完备性的影响因素为具体应用场景下，设备上传数据的粒度；
在所述VGDT求解模块中，通过改进的遗传算法对优化模型进行求解；其中，所述改进的遗传算法包括分段染色体编码、分段交叉算子、分段变异算子以及对交叉算子和变异算子的自适应调整。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，执行所述计算机程序时实现如权利要求1～4任一所述的面向SDN网络的VGDT构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268971.0A CN114006817B (zh) | 2021-10-29 | 2021-10-29 | 一种面向sdn的vgdt构建方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268971.0A CN114006817B (zh) | 2021-10-29 | 2021-10-29 | 一种面向sdn的vgdt构建方法、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114006817A CN114006817A (zh) | 2022-02-01 |
| CN114006817B true CN114006817B (zh) | 2023-09-12 |
Family
ID=79924939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268971.0A Active CN114006817B (zh) | 2021-10-29 | 2021-10-29 | 一种面向sdn的vgdt构建方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114006817B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107770096A (zh) * | 2017-12-11 | 2018-03-06 | 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网络动态资源分配算法 |
| WO2019237363A1 (en) * | 2018-06-15 | 2019-12-19 | Nokia Technologies Oy | Dynamic management of application servers on network edge computing device |
| CN111026063A (zh) * | 2019-12-25 | 2020-04-17 | 南方科技大学 | 数字孪生体构建方法、装置、计算机设备及存储介质 |
| CN112118601A (zh) * | 2020-08-18 | 2020-12-22 | 西北工业大学 | 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法 |
| CN112600912A (zh) * | 2020-12-10 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种无人机辅助的边缘计算卸载算法分布式激励方法 |
| CN112637276A (zh) * | 2020-12-08 | 2021-04-09 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6917811B2 (en) * | 2001-12-27 | 2005-07-12 | Kt Corporation | Method for dynamically assigning channel in real time based on genetic algorithm |
| US11178247B2 (en) * | 2020-04-03 | 2021-11-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Digital twin-based edge server switching decision |
-
2021
- 2021-10-29 CN CN202111268971.0A patent/CN114006817B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107770096A (zh) * | 2017-12-11 | 2018-03-06 | 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网络动态资源分配算法 |
| WO2019237363A1 (en) * | 2018-06-15 | 2019-12-19 | Nokia Technologies Oy | Dynamic management of application servers on network edge computing device |
| CN111026063A (zh) * | 2019-12-25 | 2020-04-17 | 南方科技大学 | 数字孪生体构建方法、装置、计算机设备及存储介质 |
| CN112118601A (zh) * | 2020-08-18 | 2020-12-22 | 西北工业大学 | 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法 |
| CN112637276A (zh) * | 2020-12-08 | 2021-04-09 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
| CN112600912A (zh) * | 2020-12-10 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种无人机辅助的边缘计算卸载算法分布式激励方法 |
Non-Patent Citations (1)
| Title |
|---|
| Application-Driven Network-Aware Digital Twin Management in Industrial Edge Environments;Paolo Bellavista;《IEEE Transactions on Industrial Informatics》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114006817A (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
| CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
| Wu et al. | Computation offloading method using stochastic games for software defined network-based multi-agent mobile edge computing | |
| Li et al. | Joint resource optimization and delay-aware virtual network function migration in data center networks | |
| Sun et al. | Graph-reinforcement-learning-based task offloading for multiaccess edge computing | |
| CN114710439B (zh) | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 | |
| Zhang et al. | Two time-scale caching placement and user association in dynamic cellular networks | |
| Rui et al. | CLPM: A cooperative link prediction model for industrial Internet of Things using partitioned stacked denoising autoencoder | |
| Sun et al. | A DQN-based cache strategy for mobile edge networks | |
| Jo et al. | Deep reinforcement learning‐based joint optimization of computation offloading and resource allocation in F‐RAN | |
| CN112073983B (zh) | 基于流量预测的无线数据中心网络拓扑优化方法及系统 | |
| CN114006817B (zh) | 一种面向sdn的vgdt构建方法、装置及可读存储介质 | |
| Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
| Xia et al. | xURLLC-Aware Service Provisioning in Vehicular Networks: A Semantic Communication Perspective | |
| Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
| WO2017016417A1 (zh) | 一种系统控制方法、装置，控制器及控制系统 | |
| Zheng et al. | Reinforcement learning for energy-efficient edge caching in mobile edge networks | |
| Xiang et al. | Deep Reinforcement Learning-based load balancing strategy for multiple controllers in SDN | |
| Zhai et al. | Collaborative computation offloading for cost minimization in hybrid computing systems | |
| Zhang et al. | Optimizing Energy-Latency Tradeoff for Computation Offloading in SDIN-Enabled MEC-based IIoT. | |
| Sang et al. | A Hybrid Heuristic Service Caching and Task Offloading Method for Mobile Edge Computing. | |
| CN113542115A (zh) | 基于sdn电力通信网络的数据路径确定方法、装置及系统 | |
| Ye et al. | Deep Reinforcement Learning Based Routing Scheduling Scheme for Joint Optimization of Energy Consumption and Network Throughput | |
| Niu et al. | A pipelining task offloading strategy via delay-aware multi-agent reinforcement learning in Cybertwin-enabled 6G network | |
| Xuan et al. | Novel Virtual Network Function Service Chain Deployment Algorithm based on Q-learning. |
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 |