CN114374605B

CN114374605B - 一种网络切片场景下服务功能链动态调整和迁移方法

Info

Publication number: CN114374605B
Application number: CN202210031538.3A
Authority: CN
Inventors: 唐伦; 周鑫隆; 吴婷; 陈前斌
Original assignee: Xi'an Century Pacific Network Technology Co ltd
Current assignee: Guangzhou Zhiyuan Intellectual Property Operation Co; Xi'an Century Pacific Network Technology Co ltd
Priority date: 2022-01-12
Filing date: 2022-01-12
Publication date: 2024-01-05
Anticipated expiration: 2042-01-12
Also published as: CN114374605A

Abstract

本发明涉及一种网络切片场景下服务功能链动态调整和迁移方法，属于移动通信技术领域。该方法为：S1：在网络切片场景下，考虑由于业务请求变化导致的流量改变，进而引起SFC的迁移问题和对SFC的资源需求缺乏预测而引起的SFC迁移带来的迁移连锁反应，采用一种基于集成深度神经网络算法预测流量变化情况；S2：建立计算、内存、带宽资源约束下的SFC迁移惩罚最小化模型；S3：将流量预测结果转化为SFC未来的资源请求情况，并感知物理节点和链路资源占用情况，通过SFC的迁移，最小化最优策略；S4：得到SFC迁移的最优策略。采用本方法能够降低运营商惩罚，减少迁移连锁反应发生的概率，保证服务可靠性。

Description

一种网络切片场景下服务功能链动态调整和迁移方法

技术领域

本发明属于移动通信技术领域，涉及一种网络切片场景下服务功能链动态调整和迁移方法。

背景技术

通过网络切片技术，目前的蜂窝网络系统被虚拟化为多个逻辑网络。借助于网络功能虚拟化(NFV)和软件定义网络(SDN)等技术，在底层基础设施中能够实现接入网、核心网等各个模块的隔离，网络服务的灵活编排和配置。目前，将NFV/SDN技术作为5G网络发展的基础技术已经得到了全球各大标准组织的普遍认可。

作为新兴网络架构，SDN将与网络硬件设备紧耦合的传统网络架构进行解耦，转化为由无线接入层，转发层和控制层组成的三层逻辑架构，并增强了可直接编程的控制方式及网络集中管控。SDN技术可以简单地实现虚拟链路的建立，无需对网络中每个节点的路由器反复进行配置，并允许管理员远程配置物理主机，以便为切片按需配置网络资源。随着5G应用的不断增长，由于物理网络资源限制，静态网络切片也具有一定局限性，因此需要根据不同业务请求实时精准的对虚拟网络进行切片，再将物理网络资源映射至网络切片中。

现有的网络切片迁移问题都是基于实时的网络信息进行SFC迁移，这会导致迁移时延过大，服务中断时间过长，影响服务质量。因此，需要对服务请求和物理资源进行预测感知，提前制定SFC迁移策略，缩短由于迁移导致的服务时延。现有相关文献大多是基于对节点资源进行分布式的预测感知，再将感知结果上传到SDN控制器对SFC重新编排，这不仅占用了每个节点的计算资源，上传感知结果也会有相应时延。此外，面对VNF迁移重映射空间的高维复杂，现有启发式算法不足以找到最优的VNF迁移方案。

发明内容

有鉴于此，本发明的目的在于提供一种网络切片场景下服务功能链动态调整和迁移方法。

为达到上述目的，本发明提供如下技术方案：

一种网络切片场景下服务功能链动态调整和迁移方法，具体包括以下步骤：

S1：在网络切片场景下，考虑由于业务请求变化导致的流量改变，进而引起SFC的迁移问题和对SFC的资源需求缺乏预测而引起的SFC迁移带来的迁移连锁反应，采用一种基于集成深度神经网络算法预测流量变化情况；

S2：定义运营商与用户间的服务惩罚，并建立计算、内存、带宽资源约束下的SFC迁移惩罚最小化模型；

S3：根据S1预测结果将流量请求转化为SFC未来的资源请求情况，并感知物理节点和链路资源占用情况，通过SFC的迁移，在保证服务质量的同时实现运营商服务惩罚最小化的最优策略；

S4：考虑到SFC迁移问题的复杂性和高维性，利用一种动态切片调整和迁移(DSAM)算法得到SFC迁移的最优策略。

进一步，所述网络切片场景包括物理层网络和虚拟层网络；所述集成深度神经网络包括RNN、LSTM、GRU、BLSTM深度神经网络预测模型；所述运营商服务惩罚包括计算资源不足、内存资源不足、带宽资源不足造成的惩罚；所述资源请求包括计算、内存以及带宽资源请求；所述SFC迁移问题是为虚拟网络功能(VNF)和虚拟链路重新映射的物理节点。

进一步，步骤S1中，所述的基于集成深度神经网络预测算法在SDN控制器处进行流量预测模型训练，根据各节点和链路上传的流量信息进行流量预测并将其转化为未来资源使用情况，其中SDN表示软件定义网络。

进一步，步骤S2中运营商服务惩罚分别为计算资源惩罚：

内存资源惩罚：

和带宽资源惩罚：

由每种资源的惩罚因子α以及预测资源需求与实际可获得资源差值确定，其中α由运营商与用户间协议确定，/>和分别表示t+1时刻切片k的虚拟节点m是否映射到物理节点n上的二进制系数和t+1时刻切片k的虚拟链路i是否映射到物理链路f上的二进制系数；所述惩罚最小化为SFC可调整和迁移的路径中使运营商得到的总惩罚/>最小的路径。

进一步，步骤S3中，所述流量请求为t+1时刻到达的服务请求所产生的流量A(t+1)；所述资源请求由流量预测结果与对应系数确定。

进一步，步骤S4中，所述动态切片调整和迁移(DSAM)策略为一种基于资源感知的切片调整和迁移，其具体步骤如下：

S41：初始化SFC，计算所有源节点和目的节点间VNF组成的路径。

S42：预测时刻第个SFC的流量请求，若请求增加，则计算其所需资源量

S43：用预测资源需求更新实际可分配资源

S44：若资源满足物理网络资源约束条件，则输出SFC映射链路，若不满足约束条件，则进行下一步；

S45：计算所有路径剩余可用资源并按降序排列，将目标SFC迁移到最大剩余可用资源的路径上，若迁移路径满足约束条件，则输出SFC映射链路，若不满足约束，则进行下一步；

S46：计算S45步骤迁移路径上的惩罚，并降级切片，得到最小运营商惩罚；

S47：重复以上步骤，直到所有SFC找到最小惩罚路径。

本发明的有益效果在于：直接在SDN控制器处对业务请求所需流量进行预测，再将预测结果转化为资源需求，然后对SFC重新编排制定调整和迁移策略，减轻现有分布式预测方式的训练负担提高预测效率，在满足底层物理网络计算、内存、带宽资源约束条件下实现资源的合理利用，降低服务时延。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为SFC部署及无线接入网场景图；

图2为基于集成深度神经网络的流量预测框架图；

图3为基于流量预测和无预测的SFC调整和迁移策略对比图；

图4为基于环境感知的服务功能链(SFC)动态调整和迁移流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1，本实施例的网络切片的物理层定义为全连接无向图其中/>表示物理节点集合，/>表示物理链路集合，/>和/>分别表示各个节点的计算和存储资源，/>表示每条链路的带宽资源。节点和链路为虚拟网络功能(VNFs)和流量数据转发提供计算、存储和带宽资源，而物理网络的资源是有限的。在物理网络架构图中，集合/>和/>对集合/>进行初始化，集合/>对集合/>进行初始化。

在网络切片层，用集合R＝{R₁,R₂,···R_k}表示网络服务请求(SRs)，SRs等待映射到物理网络中，将每个SR视为一条服务功能链(SFC)，定义一个虚拟有向图R_k＝{V_k,ε_k,C_k,M_k,B_k}表示SR。对于在t时刻的第k个服务请求，其虚拟网络功能(VNF)由集合表示，对应的所需计算和存储资源分别由集合/>和表示，其中N_k表示第k个服务请求中的第N个VNF。连接虚拟节点的虚拟链路由/>表示，对应的传输带宽需求用/>表示，其中I_k表示第k个服务请求中的第I条虚拟链路。

本实施例在预测网络流量时，SDN控制器采集服务请求流量信息，在t时刻的网络流量负载定义为A＝{A(1),A(2),...,A(t)}，在t时刻影响流量负载的特征定义为f(t)。第i个特征定义为f_i(t)，因此，网络特征表示为f＝{f(1),f(2),...,f(t)}。其中f(t)＝{f₁(t),f₂(t),...,f_i(t)}，利用过去j时刻的网络特征进行准确预测得到A(t+1)，再使用拟合函数g(·)计算A(t+1)＝g(f(t),f(t-1),f(t-2)...,f(t-j+1))，拟合函数g(·)通过深度学习模型和集成学习预测模型来建立。

参见图2，集成学习模型的最终流量预测结果为A＝T_RA_R+T_LA_L+T_GA_G+T_BA_B，其中A_R,A_L,A_G,A_B分别表示RNN，LSTM，GRU，BLSTM四种模型预测的网络流量负载值，T_R,T_L,T_G,T_B分别表示四种神经网络模型的加权系数，由可得，其中D_R,D_L,D_G,D_B分别表示四种模型的预测平均准确率，由/>可得，D_x表示四种模型中其中一种的平均准确率，其中n表示某种模型的验证样本个数，预测模型的准确率为/>其中A表示预测出的网络流量负载，/>表示实际网络流量负载。

在切片迁移过程中，需要避免迁移带来的连锁反应，本发明采用一种流量互补的解决方案，即把流量负载即将增加的切片迁移到流量负载即将减少的路径。因此，切片的迁移还应该考虑候选路径中未来流量负载的变化趋势。假设有L条可用于切片迁移的路径，对于L中的某一路径l，首先应该先分析该路径中现有切片的当前流量负载和所预测的未来流量负载。以链路带宽资源为例，假设路径l中有K个流量负载将增加的切片，有H个流量负载将减少的切片，定义表示路径l可用带宽资源在t+1时刻的预测值为：其中，B_l(t)表示路径l在t时刻的最大可用带宽资源，S_k(t+1)＝|B_k(t+1)-B_k(t)|表示切片k在预测时刻t+1所增加的带宽资源需求量，S_j(t+1)＝|B_j(t+1)-B_j(t)|表示切片j在预测时刻t+1所释放的带宽资源。在获得/>后将L条路径的剩余可用资源降序排列，得到剩余带宽资源最多的路径，若此路径仍不能满足服务请求所需的资源量，则降级切片，获得相应惩罚，服务质量降低。同理，定义/>和/>分别表示节点n可用计算和存储资源在t+1时刻的预测值：

参见图3，图3为直接对网络切片进行调整和迁移与基于流量预测的网络切片调整和迁移两种部署方案的比较。直接对网络切片进行调整和迁移过程如图左侧拓扑所示，基于流量预测的网络切片迁移过程如图右侧拓扑所示，物理网络中最初流量分布如图中间拓扑所示，定义了三种不同流量变化情况的网络切片，其变化趋势如图最左侧所示。以切片A为例，相较于t时刻由于流量增加，需要在t+1时增加切片A的资源请求；但是，由于链接2-3中缺少可用资源，切片A无法扩展资源。为了避免服务降级，必须迁移切片A。为了充分利用带宽资源，切片A可以迁移到路径1-6-5-4中，与切片B进行复用(解决方案1)。但是，由于流量不断增加，切片B也需要在t+1时刻增加资源请求。因此，切片B又需要迁移到其他路径(例如路径6-3-4)，因为切片A已经占用了路径6-5-4中的带宽资源。如果预先知道所有切片的流量变化趋势，显然路径1-6-3-4是切片A更佳的选择(解决方案2)，因为这样避免了切片B的迁移，即不会导致迁移的连锁反应。

参见图4，图4为本发明基于资源感知的SFC调整和迁移流程图，步骤如下：

1)：位于SDN控制器中的流量管理系统中存储历史流量数据，根据历史流量数据进行集成学习模型训练，具体训练过程参见图2及其描述，保存训练模型等待流量到达；

2)：切片管理器采集实时流量数据并上传至位于SDN控制器中的流量预测中心，得到流量预测结果，并将所得结果转化为资源请求情况；

3)：根据2)中所得资源感知情况，进行SFC调整和迁移策略的制定，迁移策略制定参见图3及其描述，编排器将制定好的策略发送至各个物理节点和链路，对SFC进行迁移。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种网络切片场景下服务功能链动态调整和迁移方法，其特征在于：该方法包括以下步骤：

S1：在网络切片场景下，采用一种基于集成深度神经网络算法预测流量变化情况；

SDN控制器采集服务请求流量信息，在t时刻的网络流量负载定义为A＝{A(1),A(2),...,A(t)}，在t时刻影响流量负载的特征定义为f(t)；第i个特征定义为f_i(t)，因此，网络特征表示为f＝{f(1),f(2),...,f(t)}；其中f(t)＝{f₁(t),f₂(t),...,f_i(t)}，利用过去j时刻的网络特征进行准确预测得到A(t+1)，再使用拟合函数g(·)计算A(t+1)＝g(f(t),f(t-1),f(t-2)...,f(t-j+1))，拟合函数g(·)通过深度学习模型和集成学习预测模型来建立；

集成学习模型的最终流量预测结果为A＝T_RA_R+T_LA_L+T_GA_G+T_BA_B，其中A_R,A_L,A_G,A_B分别表示RNN，LSTM，GRU，BLSTM四种模型预测的网络流量负载值，T_R,T_L,T_G,T_B分别表示四种神经网络模型的加权系数，由得，其中D_R,D_L,D_G,D_B分别表示四种模型的预测平均准确率，由/>得，D_x表示四种模型中其中一种的平均准确率，其中n表示某种模型的验证样本个数，预测模型的准确率为/>其中A表示预测出的网络流量负载，表示实际网络流量负载；

S2中运营商服务惩罚分别为计算资源惩罚：

内存资源惩罚：

和带宽资源惩罚：

由每种资源的惩罚因子α以及预测资源需求与实际可获得资源差值确定，其中α由运营商与用户间协议确定，/>和分别表示t+1时刻切片k的虚拟节点m是否映射到物理节点n上的二进制系数和t+1时刻切片k的虚拟链路i是否映射到物理链路f上的二进制系数；所述惩罚最小化为SFC可调整和迁移的路径中使运营商得到的总惩罚/>最小的路径；

S4：利用一种动态切片调整和迁移DSAM算法得到SFC迁移的最优策略；

所述S4中，动态切片调整和迁移DSAM策略为一种基于资源感知的切片调整和迁移，具体步骤如下：

S41：初始化SFC，计算所有源节点和目的节点间VNF组成的路径；

S42：预测下一时刻SFC的服务请求流量，若流量增加或减少，则计算其所需资源量；

S43：用预测资源需求更新实际可分配资源；

S47：重复以上步骤，直到所有SFC找到最小惩罚路径。

2.根据权利要求1所述的一种网络切片场景下服务功能链动态调整和迁移方法，其特征在于：所述S1中，基于集成深度神经网络预测算法在SDN控制器处进行流量预测模型训练，根据各节点和链路上传的流量信息进行流量预测并将其转化为未来资源使用情况，其中SDN表示软件定义网络。

3.根据权利要求1所述的一种网络切片场景下服务功能链动态调整和迁移方法，其特征在于：所述S3中，流量请求为t+1时刻到达的服务请求所产生的流量A(t+1)；所述资源请求由流量预测结果与对应系数确定。