CN114448804A - 一种基于信息交互连通时长优化的服务功能链映射系统和方法 - Google Patents
一种基于信息交互连通时长优化的服务功能链映射系统和方法 Download PDFInfo
- Publication number
- CN114448804A CN114448804A CN202210264391.2A CN202210264391A CN114448804A CN 114448804 A CN114448804 A CN 114448804A CN 202210264391 A CN202210264391 A CN 202210264391A CN 114448804 A CN114448804 A CN 114448804A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- physical
- mapping
- service
- 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.)
- Granted
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 92
- 230000003993 interaction Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 238000004891 communication Methods 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 29
- 238000004422 calculation algorithm Methods 0.000 description 25
- 239000002243 precursor Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 241000287196 Asthenes Species 0.000 description 3
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/085—Retrieval of network configuration; Tracking network configuration history
- H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
-
- 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
- H04L41/0889—Techniques to speed-up the configuration process
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于信息交互连通时长优化的服务功能链映射系统和方法。本发明在计算过程中考虑车辆节点移动对信息交互连通时长的影响,设计服务组件节点的排序方法,按照序列通过对节点映射中的节点属性、节点计算单元、结构以及链路容量进行可行判断,优先选择最大信息交互连通时长的物理网络节点进行映射,该方法能以较低的计算复杂度实现最大化信息交互连通时长的组件映射。该方法能够体现车辆移动性对服务功能链映射后信息交互连通时长的影响,以及增加动态环境中服务的可行时长,进而提升交通系统中的服务效果;仿真结果表明,本发明能够以较低的复杂度在交通系统中映射出服务可行时长提升的物理网络子图。
Description
技术领域
本发明属于交通控制与通信技术领域,涉及一种基于信息交互连通时长优化的服务功能链映射系统和方法。
背景技术
网络功能虚拟化技术能够将服务与专用物理硬件解耦,将服务的各部分组件根据业务需要构成有序排列的服务功能链,继而将各服务组件在不同的物理设备上进行灵活的实例化,在网络节点、用户终端实现弹性智能化的部署,通过提供计算以及信息传输,支持各类控制以及娱乐业务,可以提高驾驶安全性,提高交通效率,优化用户体验,因此将会成为未来交通系统的组成部分之一。
服务组件的映射是指选择物理节点承载服务中对应的服务组件,以满足业务需要。未来的交通系统中,车与路侧设施之间以及车辆之间通过无线传输实现通信,此时车辆经常处于移动状态,物理链路的信息交互能力将会动态变化。服务功能链需要在这些不断移动的设备上运行各部分服务组件并且同时保证关联的服务组件间能够进行不间断的信息交互。因此,为了提升服务时长,需要提高映射后链路集合的信息交互连通时长。因此在交通动态场景中,如何建立物理设备与服务组件的映射,使得映射后的信息交互连通时长最优,成为了交通系统中实现网络功能虚拟化的一个关键技术难点。
迄今,国内外研究者已经提出了服务功能链的映射方法,包括基于设备位置分类的映射算法(BA-VNE算法)、基于对服务组件以及设备进行属性排序的映射算法(VNE-NTANRC算法)等。但是它们都因其固有的缺陷在动态的交通系统中无法取得较好的性能。基于设备位置分类的映射方法中,将物理网络节点分为边缘节点以及非边缘节点,赋予边缘节点较高的映射优先级,提升服务请求接受率。基于对服务组件以及设备进行属性排序的映射算法中,考虑地理位置、网络拓扑、链路容量以及节点能力多项属性,通过分别对服务组件以及物理节点进行排序,实现基于多属性排序的映射算法。然而,以上方法针对的是某一时刻的确定的网络拓扑,而车辆的移动性会使得网络具有动态性,会产生信息交互的中断,使得上述映射方案存在性能损失甚至失效。综上所述,上述方法不适于用于交通系统中基于信息交互连通时长优化的服务功能链映射问题。
为了实现服务功能链的映射,西安交通大学提出的专利申请“一种基于深度强化学习的服务功能链可靠性部署方法”(申请日:2020年11月27日,申请号:CN202011359654.5,公开号:CN112543119A)中公开了一种利用深度强化学习对服务组件进行映射并对其进行备份映射的方法。北京理工大学提出的专利申请“基于深度强化学习的虚拟化网络服务功能链部署方法”(申请日:2020年06月03日,申请号:CN202010492093.X,公开号:CN111669291B)中公开了一种基于深度强化学习的考虑流量控制的服务组件映射方法。电子科技大学提出的专利申请“动态网络环境中快速且负载均衡的服务功能链部署方法”(申请日:2018年10月30日,申请号:CN201811275962.2,公开号:CN109358971B)中公开了一种快速以及负载均衡的服务组件映射方法。但是,这些方法中存在的不足是:以上三种方法不包含对信息交互链路的连通性问题,因此无法保证动态交通网络中的服务可行时长。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于信息交互连通时长优化的服务功能链映射系统和方法,以解决现有技术在动态交通系统中无法优化服务功能链映射中的信息交互连通时长问题。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于信息交互连通时长优化的服务功能链映射方法,包括以下步骤:
步骤1,基于服务功能链建立服务组件图,基于物理节点建立物理网络图,所述物理节点包括车辆和路边设施;计算所有物理节点之间的链路连通时长,所有的链路连通时长组成矩阵LLT;
步骤2,对服务组件图中的组件节点进行排序,排序依据为根据组件节点在物理网络图中匹配发散概率或迭代加权度;
步骤3,逐一将服务组件图中的节点映射至物理网络图中;
步骤3.1,建立待映射服务组节点的物理网络候选点集;
步骤3.2,基于链路连通时长,从物理网络候选点集中选择出所述待映射服务组节点的映射物理节点;
步骤3.3,对选择出的映射物理节点进行可行性验证;
步骤3.4,如果验证成功,确定待映射服务组节点和映射物理节点之间的对应关系,执行步骤3.5;如果验证失败,重复步骤3.2和步骤3.3,如果物理网络候选点集中未找到对应的映射物理节点,结束映射流程;
步骤3.5,重复步骤3.1,直至服务组件图中的所有组件节点映射结束。
本发明的进一步改进在于:
优选的,步骤1中,所述物理节点之间的链路包括车车链路、车路链路和路车链路;
所述车车链路的计算公式为:
所述车路链路的计算公式为:
所述路车链路的计算公式为:
优选的,步骤2中,排序的第一个组件节点为具有最小匹配发散概率的节点,计算公式为:
优选的,所述匹配发散比率的计算公式为:
其中:
其中,表示GS中物理节点集合;为GA的第i个组件节点;表示在GS中的类别匹配比率;NUM(·)表示集合·中元素的个数;表示属于路侧设施组件节点,表示属于车辆组件节点;表示属于路测设施物理节点,表示属于车辆物理节点;表示节点的入度;表示GS中入度与相等的节点数占总节点数之比;表示节点的出度;表示GS中出度与相等的节点数占总节点数之比。
优选的,步骤2中,排序的第二位开始,未排序的每个节点计算与已排序节点间的加权度,取其中具有最大加权度的节点为当前序号节点,第k位QA(k)计算公式如下,
优选的,步骤3.1中,所述物理网络候选点集的计算公式为:
优选的,步骤3.2中,从最小的判别参数中选择最大的作为映射物理节点:
优选的,步骤3.3中,所述可行验证包括:节点属性可行判断事件、节点计算单元可行判断条件、结构可行判断条件和链路容量可行判断条件。
优选的,所述节点属性可行判断事件为:
所述节点计算单元可行判断条件为:
所述结构可行判断条件为:
其中对一跳邻居按照车辆节点和路边设施节点进行了分类,即:
所述链路容量可行判断条件为:
一种基于信息交互连通时长优化的服务功能链映射系统,包括:
图形建立单元,用于基于服务功能链建立服务组件图,基于物理节点建立物理网络图,所述物理节点包括车辆和路边设施;计算所有物理节点之间的链路连通时长,所有的链路连通时长组成矩阵LLT;
排序单元,用于对服务组件图中的组件节点进行排序,排序依据为根据组件节点在物理网络图中匹配发散概率或迭代加权度;
映射单元,用于逐一将服务组件图中的节点映射至物理网络图中。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种交通系统中基于信息交互连通时长优化的服务功能链映射系统和方法,该映射方法的具体步骤为:(1)建立服务组件图以及交通系统的物理网络图,计算系统中物理节点间的信息交互连通时长;(2)对服务组件图中组件节点进行结合匹配发散概率以及迭代加权度的排序;(3)通过最大化信息交互连通时长子图嵌入方法求得映射关系。本发明在计算过程中考虑车辆节点移动对信息交互连通时长的影响,设计服务组件节点的排序方法,按照序列通过对节点映射中的节点属性、节点计算单元、结构以及链路容量进行可行判断,优先选择最大信息交互连通时长的物理网络节点进行映射,该方法能以较低的计算复杂度实现最大化信息交互连通时长的组件映射。该方法能够体现车辆移动性对服务功能链映射后信息交互连通时长的影响,以及增加动态环境中服务的可行时长,进而提升交通系统中的服务效果;仿真结果表明,本发明能够以较低的复杂度在交通系统中映射出服务可行时长提升的物理网络子图。
附图说明
图1为本发明的流程图;
图2为本发明的映射成功率随车辆个数的变化曲线图;
图3为本发明的服务可行时长随车辆个数的变化曲线。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明公开了一种交通系统中基于信息交互连通时长优化的服务功能链映射系统和方法,该方法的基本思路为建立服务组件图以及交通系统的物理网络图,计算系统中物理节点间的信息交互连通时长,对服务组件节点进行排序,按序进行将节点在物理图中进行映射可行判断,从而实现低复杂度的映射。具体实现步骤为:(1)建立服务组件图以及交通系统的物理网络图,计算系统中物理节点间的信息交互连通时长;(2)对服务组件图中组件节点进行结合匹配发散概率以及迭代加权度的排序;(3)通过最大化信息交互连通时长子图嵌入方法求得映射关系;本发明在计算过程中考虑车辆节点移动对信息交互连通时长的影响,设计组件节点的排序方法,按照序列通过对节点映射中的节点属性、节点计算单元、结构以及链路容量进行可行判断,优先选择最大信息交互连通时长的物理网络结构进行映射,该方法能以较低的计算复杂度实现最大化信息交互连通时长的服务功能链映射。参见图1,本发明的具体实现步骤如下:
步骤1,将服务功能链建立为服务组件图将交通系统中车辆及路边设施的计算能力以及信息连通性建立为对应的物理网络图计算物理网络系统中物理节点间的信息交互连通时长,构成链路连通时长矩阵LLT,物理节点包括车辆和路边设施。
其中,表示服务节点的集合,其中NUM(·)为集合·中元素的个数。包括车辆服务节点和设施服务节点。为车辆服务节点集合,为路边设施服务节点集合,为服务链路的集合,为从指向的链路。和分别为节点的权值集合和链路的权值集合,节点的权值记为代表节点所要求的计算单元的个数,链路的权值记为代表链路所要求的传输容量。服务节点的度记为其中入度为指向的入边,出度为从向外的出边。其中为物理节点的集合,其中包括车辆和路边设施节点,为车辆节点集合,为路边设施节点集合,集合间关系为为物理链路的集合,为从指向的链路。和分别为节点的权值集合和链路的权值集合,节点的权值记为代表物理节点所具有的计算单元的个数,链路的权值记为代表物理链路所具有的传输容量。为物理节点的度,其中入度为指向的入边,出度为从向外的出边。
LLT(ejj')为物理节点j与节点j’之间信息交互的连通时长,计算公式如下,
对道路的俯视图建立坐标,左下方为二维坐标原点,分别以水平向右以及竖直向上为x轴及y轴的正方向,车辆沿水平方向行驶,车车链路、车路链路以及路车链路的最大通信距离分别记为TRVV,TRVR以及TRRV。
根据物理链路的分类,各类链路的LLT计算如下:
步骤2,对服务组件图GA中的组件节点,根据其在物理网络图GS中的匹配发散概率或迭代加权度的大小进行排序,形成序列QA;
其中:
其中,表示GS中物理节点集合;为GA的第i个组件节点;表示在GS中的类别匹配比率;NUM(·)表示集合·中元素的个数;表示属于路侧设施组件节点,表示属于车辆组件节点;表示属于路测设施物理节点,表示属于车辆物理节点;表示节点的入度;表示GS中入度与相等的节点数占总节点数之比;表示节点的出度;表示GS中出度与相等的节点数占总节点数之比;
步骤2.2.选择出最小匹配发散概率的节点作为序列QA中的首位组件节点,计算公式为:
步骤2.3.序列QA从第二位的确定开始,分别为未排序的每个节点计算其与已排序节点间的加权度,取其中具有最大加权度的节点为当前序号节点,第k位QA(k)计算公式如下,
其中,符号表示由序列QA中已排序的前k-1个节点构成的集合;代表服务组件信息交互所要求的传输容量;若存在多个节点具有相等的最大加权度,取其中的具有最小匹配概率节点;若存在多个节点具有最小匹配概率,取其中之一。直至所有服务组件节点都已排序。
其中,nS表示中的节点,表示已形成的映射状态sc中的物理节点集合。从上式中可以看出物理网络候选点集中的节点nS需要同时满足两个条件,第一,该物理节点还未被当前的c对映射关系占用;第二,该物理节点nS需要和待映射服务组件节点具有相同的属性,即同属于路边设施节点或同属于车辆节点,两个条件的交集,获得物理网络候选点集。
其中,表示已形成的映射状态sc中的物理节点与候选判断节点n加入后在GS中所生成的诱导子图;表示中最小的链路LLT值;对物理网络候选点集中所有的节点都分别计算其值,然后选择其中最大的的对应候选节点作为映射物理节点
步骤3.3.对选出的判别的可行性计算公式如下:将的可行判断记为事件由四部分组成:第一部分,以表示节点属性可行判断事件,为真表示与具有相同的属性,即同为车辆节点或路边设施节点;第二部分,以表示节点计算单元可行判断条件,为真要求服务组件节点的计算资源数目不超过物理映射节点的可用计算单元数目;第三部分,以表示结构可行判断事件,为真表示引入后,满足设置的结构判断条件;第四部分,以表示链路容量可行判断事件,为真要求服务组件的链路容量不超过物理映射链路的可用容量。以符号∧表示逻辑与,则的计算公式为:
(1)属性可行判断条件
(2)节点计算单元可行判断条件
(3)结构可行判断条件:由于结构判断较为复杂,分为两部分情况分别进行分析,
其中对一跳邻居按照车辆节点和路边设施节点进行了分类,即:
(4)链路容量可行判断条件
步骤3.4如果为真,即四项条件的判断计算公式均满足,则确定映射关系,更新进行步骤3.5;否则,去除选出的这个的更新节点候选集重复步骤3.2和步骤3.3,继续选出来新的进行可行性判断,如果持续的为假,即如果为空,返回FALSE,表示此次映射失败,算法停止,如果不为空,重复步骤3.2和3.3;
为实现上述功能,本发明公开了一种基于信息交互连通时长优化的服务功能链映射系统,包括:
图形建立单元,用于基于服务功能链建立服务组件图,基于物理节点建立物理网络图,所述物理节点包括车辆和路边设施;计算所有物理节点之间的链路连通时长,所有的链路连通时长组成矩阵LLT;
排序单元,用于对服务组件图中的组件节点进行排序,排序依据为根据组件节点在物理网络图中匹配发散概率或迭代加权度;
映射单元,用于逐一将服务组件图中的节点映射至物理网络图中。
实施例
以下面的仿真实施例进一步说明:
一、仿真条件:
物理网络相关参数设置如下:道路物理网络长度为1000m,双向两车道,车道宽度为3m;车路最大通信距离TRVR/TRRV为500m,车车最大通信距离TRVV为150m,路侧设施位置坐标(500m,15m),车辆速度服从[20km/h,40km/h]均匀分布;车路链路/路车链路带宽单元个数为8,车车链路带宽单元个数服从[2,4]整数均匀分布,路侧设施物理节点计算单元个数为8,车辆物理节点计算单元个数服从[2,4]整数均匀分布。服务组件图相关参数设置如下:服务组件图个数服从[2,6]整数均匀分布,其中包含一个路测节点,服务组件图中节点间连接概率ρ=0.5;服务组件图的路侧设施节点计算单元需求为8,服务组件图的车辆节点计算单元需求服从[1,4]整数均匀分布,服务组件图的车路链路/路车链路带宽单元需求为8,服务组件图的车车链路带宽单元需求服从[1,4]整数均匀分布。
二、仿真内容与结果:
图2描述了映射成功率随物理网络车辆个数的变化曲线。图3描述了服务时长随车辆个数的变化曲线。从图2可以看出,随着物理网络车辆个数的逐渐增多,本发明算法与BA-VNE算法的嵌入成功率都在逐渐增加,VNE-NTANRC算法的映射成功率基本保持不变,并且本发明算法的嵌入成功率始终大于两种对比算法。这是因为,本发明算法通过对可行映射点集进行深度搜索,能够寻找出所有的可行解并且进行优选。而BA-VNE算法选择的是边缘节点,因此缩小了可行映射点集的范围;VNE-NTANRC算法映射时并未要求物理节点及链路上的资源个数严格满足服务组件节点以及链路的需求。因此会导致两种对比算法成功率低于本发明算法。此外,从图3中可以看出,在车辆个数逐渐增加的情况下,三种算法的物理节点的服务时长整体均为减少,这是由于随着车辆节点的增加,会有越来越多的较大规模的服务组件图映射成功,而较大规模的服务组件图需要较多的车间链路,因此会降低整体服务时长。但本发明算法的服务时长始终高于对比算法。这是因为,车间移动性会影响信息交互连通时长,本发明算法通过对信息交互连通时长计算建模,并在深度搜索时选择预选集合中具有最大信息交互连通时长的节点进行映射,而对比算法映射时并不涉及车间移动性对可行时长的影响,因此本发明算法的服务时长始终优于对比算法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于信息交互连通时长优化的服务功能链映射方法,其特征在于,包括以下步骤:
步骤1,基于服务功能链建立服务组件图,基于物理节点建立物理网络图,所述物理节点包括车辆和路边设施;计算所有物理节点之间的链路连通时长,所有的链路连通时长组成矩阵LLT;
步骤2,对服务组件图中的组件节点进行排序,排序依据为根据组件节点在物理网络图中匹配发散概率或迭代加权度;
步骤3,逐一将服务组件图中的节点映射至物理网络图中;
步骤3.1,建立待映射服务组节点的物理网络候选点集;
步骤3.2,基于链路连通时长,从物理网络候选点集中选择出所述待映射服务组节点的映射物理节点;
步骤3.3,对选择出的映射物理节点进行可行性验证;
步骤3.4,如果验证成功,确定待映射服务组节点和映射物理节点之间的对应关系,执行步骤3.5;如果验证失败,重复步骤3.2和步骤3.3,如果物理网络候选点集中未找到对应的映射物理节点,结束映射流程;
步骤3.5,重复步骤3.1,直至服务组件图中的所有组件节点映射结束。
8.根据权利要求1所述的一种基于信息交互连通时长优化的服务功能链映射方法,其特征在于,步骤3.3中,所述可行验证包括:节点属性可行判断事件、节点计算单元可行判断条件、结构可行判断条件和链路容量可行判断条件。
10.一种基于信息交互连通时长优化的服务功能链映射系统,其特征在于,包括:
图形建立单元,用于基于服务功能链建立服务组件图,基于物理节点建立物理网络图,所述物理节点包括车辆和路边设施;计算所有物理节点之间的链路连通时长,所有的链路连通时长组成矩阵LLT;
排序单元,用于对服务组件图中的组件节点进行排序,排序依据为根据组件节点在物理网络图中匹配发散概率或迭代加权度;
映射单元,用于逐一将服务组件图中的节点映射至物理网络图中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264391.2A CN114448804B (zh) | 2022-03-17 | 2022-03-17 | 一种基于信息交互连通时长优化的服务功能链映射系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264391.2A CN114448804B (zh) | 2022-03-17 | 2022-03-17 | 一种基于信息交互连通时长优化的服务功能链映射系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114448804A true CN114448804A (zh) | 2022-05-06 |
CN114448804B CN114448804B (zh) | 2024-05-28 |
Family
ID=81359411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210264391.2A Active CN114448804B (zh) | 2022-03-17 | 2022-03-17 | 一种基于信息交互连通时长优化的服务功能链映射系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114448804B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110190987A (zh) * | 2019-05-08 | 2019-08-30 | 南京邮电大学 | 基于备份收益与重映射的虚拟网络功能可靠性部署方法 |
US20200067800A1 (en) * | 2018-08-21 | 2020-02-27 | Fujitsu Limited | Service function chain mapping using multiple parallel microservices instances |
CN111865668A (zh) * | 2020-06-30 | 2020-10-30 | 南京邮电大学 | 一种基于sdn和nfv的网络切片方法 |
CN113098714A (zh) * | 2021-03-29 | 2021-07-09 | 南京邮电大学 | 一种基于深度强化学习的低时延网络切片的方法 |
-
2022
- 2022-03-17 CN CN202210264391.2A patent/CN114448804B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200067800A1 (en) * | 2018-08-21 | 2020-02-27 | Fujitsu Limited | Service function chain mapping using multiple parallel microservices instances |
CN110190987A (zh) * | 2019-05-08 | 2019-08-30 | 南京邮电大学 | 基于备份收益与重映射的虚拟网络功能可靠性部署方法 |
CN111865668A (zh) * | 2020-06-30 | 2020-10-30 | 南京邮电大学 | 一种基于sdn和nfv的网络切片方法 |
CN113098714A (zh) * | 2021-03-29 | 2021-07-09 | 南京邮电大学 | 一种基于深度强化学习的低时延网络切片的方法 |
Non-Patent Citations (2)
Title |
---|
GUANGLEI LI、等: "Adaptive service function chainingmappings in 5G using deep Q-learning", 《COMPUTER COMMUNICATIONS》 * |
孙士清;彭建华;游伟;李英乐;: "5G网络下资源感知的服务功能链协同构建和映射算法", 西安交通大学学报, no. 08 * |
Also Published As
Publication number | Publication date |
---|---|
CN114448804B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kandali et al. | A new hybrid routing protocol using a modified K-means clustering algorithm and continuous hopfield network for VANET | |
CN112700639B (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
CN111609864B (zh) | 路网约束下多警员协作围捕任务分配及路径规划方法 | |
Huang et al. | Optimization of the carpool service problem via a fuzzy-controlled genetic algorithm | |
CN109102124B (zh) | 基于分解的动态多目标多路径诱导方法、系统及存储介质 | |
Adrian et al. | MRV-M: A cluster stability in highway VANET using minimum relative velocity based on K-medoids | |
Kandali et al. | An intelligent machine learning based routing scheme for VANET | |
CN112995289A (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
CN105872959B (zh) | 基于移动自适应聚类的城市道路状况自动感知方法 | |
CN113593228B (zh) | 一种高速公路瓶颈区域自动驾驶协同控制方法 | |
Sangaiah et al. | Hierarchical clustering based on dendrogram in sustainable transportation systems | |
CN112512013A (zh) | 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
CN105704031A (zh) | 一种数据传输路径确定方法及装置 | |
Nahar et al. | Csbr: A cosine similarity based selective broadcast routing protocol for vehicular ad-hoc networks | |
Inam et al. | A novel protocol for vehicle cluster formation and vehicle head selection in vehicular ad-hoc networks | |
Wagh et al. | Water wave optimization-based routing protocol for vehicular adhoc networks | |
CN116866931A (zh) | 一种城市移动边缘服务器部署方法 | |
CN105743783A (zh) | 基于bs-ts和自编码网络的车联网网络节点筛选方法及其通达性路由机制 | |
CN115103327A (zh) | 一种基于支持向量机的vanet分簇算法 | |
CN113992560A (zh) | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 | |
CN112562363B (zh) | 一种基于v2i的交叉口交通信号优化方法 | |
Cao et al. | ETCS: An efficient traffic congestion scheduling scheme combined with edge computing | |
CN114448804A (zh) | 一种基于信息交互连通时长优化的服务功能链映射系统和方法 | |
CN103906077A (zh) | 基于近邻传播算法的路侧单元放置方法 |
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 |