CN114466407A - 一种基于粒子群遗传的网络切片编排算法 - Google Patents
一种基于粒子群遗传的网络切片编排算法 Download PDFInfo
- Publication number
- CN114466407A CN114466407A CN202210003854.XA CN202210003854A CN114466407A CN 114466407 A CN114466407 A CN 114466407A CN 202210003854 A CN202210003854 A CN 202210003854A CN 114466407 A CN114466407 A CN 114466407A
- Authority
- CN
- China
- Prior art keywords
- network slice
- network
- algorithm
- particle swarm
- scheme
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 63
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- 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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于粒子群遗传的网络切片编排算法,网络切片控制器首先进行安全认证鉴权和服务查询;接着分析处理得到业务类型、业务需求、网络资源使用情况等信息;网络切片编排器在获得可用的资源集合后,采用遗传算法生成初始可行解,然后利用粒子群优化算法输出最优的网络切片编排方案,并将网络实例标识符反馈给相应业务,完成业务的载入;最后根据当前船舶建造网络状况收集链路带宽等网络状态信息,计算链路剩余可用带宽容量,区分大、小流的判断阈值,将该阈值发送给边缘层交换机。本发明将遗传算法的全局性与粒子群优化算法的高效率相结合,提高了算法的收敛速度,可以有效求解最优的网络切片编排方案。
Description
技术领域
本发明属于网络切片技术领域,特别是涉及一种基于粒子群遗传的网络切片编排算法。
背景技术
网络架构的多元化发展是5G的重要特点,网络切片是实现多元化架构的重要技术。随着网络功能虚拟化NFV/NFVI(Network Functions Virtualization)技术和软件定义网络SDN(Software Defined Network)技术的不断发展,网络切片技术正在逐渐显示出其价值和意义。
网络切片中的网络虚拟化技术将网络功能从底层物理基础设施中解耦合,改变了传统网络的架构和体系。根据网络切片架构可以发现网络切片的商业角色主要包含基础设施提供商、虚拟网络运营商和服务提供商3个。其中基础设施提供商负责底层物理网络基础设置的部署、运营和维护,并采用租赁的方式向第三方提供资源;虚拟网络运营商则根据实际的业务请求部署和映射虚拟网络,对创建好的虚拟网络进行运营和维护;服务提供商则直接面向用户,为用户提供端到端服务。来说,业务请求由服务提供商提交为对虚拟网络的请求,虚拟网络进一步向底层物理网络基础设施请求网络资源的过程,需要满足带有节点和链路资源的约束条件。根据节点约束和链路约束等为虚拟网络请求分配底层物理基础设施提供商网络资源的过程被称作虚拟网络映射VNM(Virtual Network Mapping)或是虚拟网络嵌入VNE(Virtual Network Embedding)问题,这是一个非确定性多项式NP-hard(Non-Deterministic Polynomial)问题。
网络切片编排问题本质是网络切片在NFVI上的映射问题。当前针对虚拟网络映射问题的研究既是重点也是热点,也是当前研究人员面临的主要挑战之一。虚拟网络映射问题可以根据业务的资源请求是已知还是未知对其进行分类,对于已知业务资源请求的VNE问题称为静态映射,对应地,未知业务资源请求的VNE问题称为动态映射问题。其中静态映射问题又可以根据节点链路的映射顺序分为一阶段映射问题、两阶段映射问题,而动态映射问题包括网络映射动态策略和虚拟网络的重配置问题。对应于虚拟网络映射问题,虚拟网络映射算法的研究主要从映射高效性、映射可靠性和系统节能性三个方面开展。粒子群优化算法PSO(Paticle Swarm Optimization)能够有效地求解各种优化问题,在解决一些较难解决的优化问题时相比其它元启发式算法具有计算时间短和收敛快的特点。粒子群算法中每个待优化问题的可行解都是搜索空间中的一个由适应度函数值来评价的粒子。每个粒子的位置代表一个解空间中的潜在解,具有一个随机速度在整个解空间中运动,根据自身和周围粒子的经验在搜索空间中调整自己的位置和速度。
发明内容
本发明目的在于将遗传算法与粒子群算法相结合,设计了一种网络切片编排算法,减少网络拥塞的同时提高网络资源利用率。
为了实现本发明目的,本发明提供了一种基于粒子群遗传的网络切片编排算法,对船舶建造进行不同制式网络切片设计和编排,实现负载均衡,包括以下步骤:
步骤1、网络切片控制器在业务载入请求发起后,先进行安全认证鉴权和服务查询,确保用户身份和请求合法;
步骤2、通过认证后,网络切片控制器进行分析处理,得到业务类型、业务需求、网络资源的使用情况信息,并将这些信息交到网络切片编排器;
步骤3、网络切片编排器在获得可用的资源集合后,采用遗传算法生成初始可行解,然后利用粒子群优化算法输出最优的网络切片编排方案,完成网络编排实例化,并将网络实例标识符反馈给相应船舶建造生产业务,完成业务的载入;
步骤4、根据当前船舶建造网络状况收集链路带宽等网络状态信息,计算链路剩余可用带宽容量;根据链路平均剩余可用带宽容量,计算区分大、小流的判断阈值,然后将该阈值发送给边缘层交换机。
进一步地,网络切片编排器采用自适应动态选路算法和轮询选路算法,以适应不同的流对传输性能需求不同的这一特点,从而减小控制器计算开销以及小流的处理时间。
进一步地,步骤2中当发现需要建立新的网络切片时,网络切片编排器对网络剩余资源划分所需的专用和复用资源池。
进一步地,步骤3中采用遗传算法生成初始可行解,然后利用粒子群优化算法输出最优的网络切片编排方案的具体步骤如下:
步骤a1、将船舶的相关数据初始化,基于预定的网络性能指标,初始化网络切片粒子群,其中网络切片粒子群包括多个网络切片个体;设置粒子群规模,最大迭代次数,每个粒子的位置和速度,每个粒子的初始位置;算法中的粒子位置向量表示一个具有n个虚拟网络功能的网络切片请求的第i个部署编排方案;粒子速度向量表示对部署编排方案的调整;
步骤a2、引入遗传算法,通过遗传算法生成网络切片编排方案的初始可行解;
步骤a3、计算每个网络切片个体的适应度值;
步骤a4、对每个网络切片个体,比较局部最优值和其适应度值,如果适应度值更大,则替换局部最优值;
步骤a5、对每个网络切片个体,比较全局最优值和其适应度值,如果适应度值更大,则替换全局最优值;
步骤a6、更新网络切片个体的速度和位置;
步骤a7、如果达到预定的最大迭代次数或满足最优网络切片编排方案,则退出,否则返回a3。
进一步地,步骤a1中,设置粒子群规模N和迭代上限次数M,随机生成粒子初始速度向量。
进一步地,步骤a2具体步骤如下:
步骤a2-1、首先进行染色体编码,产生初始种群;具体做法为,针对每个虚拟网络功能VNF(Virtual Network Function),首先生成一个对应的映射候选表;然后扫描所有底层资源节点,判断底层节点的资源可用量是否满足VNF的资源请求,如果满足则将底层节点加入该VNF对应的映射候选表;最后将表中的底层节点按资源利用率或可用资源量从小到大进行排序;
步骤a2-2、判断是否满足停止准则;在遗传算法中,采用设定最大种群进化代数作为停止准则;当达到最大进化代数时将求出的问题的最优解解码输出,否则继续迭代进化,最大进化数值的根据种群大小来设定;
步骤a2-3、如果满足停止准则,则进行解码输出,反之则要评估种群中个体的适应度;按照适值函数,计算出种群中全部个体的适应度值;
步骤a2-4、进行遗传运算;
步骤a2-5、对种群进行更新。
进一步地,步骤a3中,初始化网络切片编排方案的全局最优解gbest和局部最优解pibest;计算每个网络切片编排方案的适应度函数f(Xi),记适应度函数值最小的网络切片编排方案为全局最优编排方案gbest,每个网络切片的局部最优编排方案为pibest=Xi,Xi是指第i个网络切片编排方案在搜索空间中的位置。
进一步地,步骤a4、a5中,当前迭代次数加1,重新计算每个网络切片编排方案的适应度值,若f(Xi)<f(pibest),更新网络切片编排方案的局部最优解pibest=Xi;若f(Xi)<f(gbest),更新网络切片编排方案的全局最优解gbest=Xi,Xi是指第i个网络切片编排方案在搜索空间中的位置。
进一步地,步骤a6中,更新每个网络切片编排方案的速度和位置,并检查调整后网络切片编排方案的可行性(调整后的物理节点和其前后节点之间存在的所有最短路径中,是否存在一条带宽不小于虚拟链路带宽的路径),对于不可行的网络切片编排方案重新初始化位置向量和速度向量。
进一步地,步骤a7中,满足退出迭代循环条件后,退出循环,输出最优的网络切片部署编排方案。
与现有技术相比,本发明的显著进步在于:本发明切片映射问题需要从底层网络的所有底层资源节点中求出最佳映射节点和链路,这使得问题的求解规模较大且对解的全局性要求较高。精确解法能够实现最优部署和编排,但算法复杂度高,执行时间长,不适用于船舶建造场景下规模较大的网络。本发明使用遗传算法和粒子群优化算法相结合,把遗传算法的全局性与粒子群优化算法的高效率相结合,提高了算法的收敛速度,可以有效求解最优的网络切片编排方案。
为更清楚说明本发明的功能特性以及结构参数,下面结合附图及具体实施方式进一步说明。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为基于粒子群遗传算法的网络切片部署编排算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于粒子群遗传的网络切片编排算法,对船舶建造进行不同制式网络切片设计和编排,实现负载均衡,包括以下步骤:
步骤1、网络切片控制器在业务载入请求发起后,先进行安全认证鉴权和服务查询,确保用户身份和请求合法;
步骤2、通过认证后,网络切片控制器进行分析处理,得到业务类型、业务需求、网络资源的使用情况信息,并将这些信息交到网络切片编排器;
步骤3、网络切片编排器在获得可用的资源集合后,采用遗传算法生成初始可行解,然后利用粒子群优化算法输出最优的网络切片编排方案,完成网络编排实例化,并将网络实例标识符反馈给相应船舶建造生产业务,完成业务的载入;
步骤4、根据当前船舶建造网络状况收集链路带宽等网络状态信息,计算链路剩余可用带宽容量;根据链路平均剩余可用带宽容量,计算区分大、小流的判断阈值,然后将该阈值发送给边缘层交换机。
具体地,在本实施例中,网络切片编排器采用自适应动态选路算法和轮询选路算法,以适应不同的流对传输性能需求不同的这一特点,从而减小控制器计算开销以及小流的处理时间。
具体地,在本实施例中,步骤2中当发现需要建立新的网络切片时,网络切片编排器对网络剩余资源划分所需的专用和复用资源池。
如图1所示,图1为基于粒子群遗传算法的网络切片部署编排算法流程图,具体步骤如下:
将船舶的相关数据初始化,基于预定的网络性能指标,初始化网络切片粒子群,其中网络切片粒子群包括多个网络切片个体;设置粒子群规模,最大迭代次数,每个粒子的位置和速度,每个粒子的初始位置;算法中的粒子位置向量表示一个具有n个虚拟网络功能的网络切片请求的第i个部署编排方案;粒子速度向量表示对部署编排方案的调整;
步骤a2、引入遗传算法,通过遗传算法生成网络切片编排方案的初始可行解;
步骤a3、计算每个网络切片个体的适应度值;
步骤a4、对每个网络切片个体,比较局部最优值和其适应度值,如果适应度值更大,则替换局部最优值;
步骤a5、对每个网络切片个体,比较全局最优值和其适应度值,如果适应度值更大,则替换全局最优值;
步骤a6、更新网络切片个体的速度和位置;
步骤a7、如果达到预定的最大迭代次数或满足最优网络切片编排方案,则退出,否则返回a3。
具体地,在本实施例中,步骤a1中,设置粒子群规模N和迭代上限次数M,随机生成粒子初始速度向量。
具体地,在本实施例中,步骤a2具体步骤如下:
步骤a2-1、首先进行染色体编码,产生初始种群;具体做法为,针对每个虚拟网络功能VNF(Virtual Network Function),首先生成一个对应的映射候选表;然后扫描所有底层资源节点,判断底层节点的资源可用量是否满足VNF的资源请求,如果满足则将底层节点加入该VNF对应的映射候选表;最后将表中的底层节点按资源利用率或可用资源量从小到大进行排序;
步骤a2-2、判断是否满足停止准则;在遗传算法中,是采用设定最大种群进化代数作为停止准则;当达到最大进化代数时将求出的问题的最优解解码输出,否则继续迭代进化,最大进化数值的根据种群大小来设定;
步骤a2-3、如果满足停止准则,则进行解码输出,反之则要评估种群中个体的适应度;按照适值函数,计算出种群中全部个体的适应度值;
步骤a2-4、进行遗传运算;
步骤a2-5、对种群进行更新。
具体地,在本实施例中,步骤a3中,初始化网络切片编排方案的全局最优解gbest和局部最优解pibest;计算每个网络切片编排方案的适应度函数f(Xi),记适应度函数值最小的网络切片编排方案为全局最优编排方案gbest,每个网络切片的局部最优编排方案为pibest=Xi,Xi是指第i个网络切片编排方案在搜索空间中的位置。
具体地,在本实施例中,步骤a4、a5中,当前迭代次数加1,重新计算每个网络切片编排方案的适应度值,若f(Xi)<f(pibest),更新网络切片编排方案的局部最优解pibest=Xi;若f(Xi)<f(gbest),更新网络切片编排方案的全局最优解gbest=Xi,Xi是指第i个网络切片编排方案在搜索空间中的位置。
具体地,在本实施例中,步骤a6中,更新每个网络切片编排方案的速度和位置,并检查调整后网络切片编排方案的可行性(调整后的物理节点和其前后节点之间存在的所有最短路径中,是否存在一条带宽不小于虚拟链路带宽的路径),对于不可行的网络切片编排方案重新初始化位置向量和速度向量。
具体地,在本实施例中,步骤a7中,满足退出迭代循环条件后,退出循环,输出最优的网络切片部署编排方案。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于粒子群遗传的网络切片编排算法,其特征在于,对船舶建造进行不同制式网络切片设计和编排,实现负载均衡,具体包括以下步骤:
步骤1、网络切片控制器在业务载入请求发起后,先进行安全认证鉴权和服务查询,确保用户身份和请求合法;
步骤2、通过认证后,网络切片控制器进行分析处理,得到业务类型、业务需求、网络资源的使用情况信息,并将这些信息交到网络切片编排器;
步骤3、网络切片编排器在获得可用的资源集合后,采用遗传算法生成初始可行解,然后利用粒子群优化算法输出最优的网络切片编排方案,完成网络编排实例化,并将网络实例标识符反馈给相应船舶建造生产业务,完成业务的载入;
步骤4、根据当前船舶建造网络状况收集链路带宽网络状态信息,计算链路剩余可用带宽容量;根据链路平均剩余可用带宽容量,计算区分大、小流的判断阈值,然后将该阈值发送给边缘层交换机。
2.根据权利要求1所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,网络切片编排器采用自适应动态选路算法和轮询选路算法,以适应不同的流对传输性能需求不同的这一特点,从而减小控制器计算开销以及小流的处理时间。
3.根据权利要求1所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤2中当发现需要建立新的网络切片时,网络切片编排器对网络剩余资源划分所需的专用和复用资源池。
4.根据权利要求1所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤3中采用遗传算法生成初始可行解,然后利用粒子群优化算法输出最优的网络切片编排方案的具体步骤如下:
步骤a1、将船舶的相关数据初始化,基于预定的网络性能指标,初始化网络切片粒子群,其中网络切片粒子群包括多个网络切片个体;设置粒子群规模,最大迭代次数,每个粒子的位置和速度,每个粒子的初始位置;算法中的粒子位置向量表示一个具有n个虚拟网络功能的网络切片请求的第i个部署编排方案;粒子速度向量表示对部署编排方案的调整;
步骤a2、引入遗传算法,通过遗传算法生成网络切片编排方案的初始可行解;
步骤a3、计算每个网络切片个体的适应度值;
步骤a4、对每个网络切片个体,比较局部最优值和其适应度值,如果适应度值更大,则替换局部最优值;
步骤a5、对每个网络切片个体,比较全局最优值和其适应度值,如果适应度值更大,则替换全局最优值;
步骤a6、更新网络切片个体的速度和位置;
步骤a7、如果达到预定的最大迭代次数或满足最优网络切片编排方案,则退出,否则返回a3。
5.根据权利要求4所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤a1中,设置粒子群规模N和迭代上限次数M,随机生成粒子初始速度向量。
6.根据权利要求4所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤a2具体步骤如下:
步骤a2-1、首先进行染色体编码,产生初始种群;具体做法为,针对每个虚拟网络功能VNF,首先生成一个对应的映射候选表;然后扫描所有底层资源节点,判断底层节点的资源可用量是否满足VNF的资源请求,如果满足则将底层节点加入该VNF对应的映射候选表;最后将表中的底层节点按资源利用率或可用资源量从小到大进行排序;
步骤a2-2、判断是否满足停止准则;在遗传算法中,采用设定最大种群进化代数作为停止准则;当达到最大进化代数时将求出的问题的最优解解码输出,否则继续迭代进化,最大进化数值的根据种群大小来设定;
步骤a2-3、如果满足停止准则,则进行解码输出,反之则要评估种群中个体的适应度;按照适值函数,计算出种群中全部个体的适应度值;
步骤a2-4、进行遗传运算;
步骤a2-5、对种群进行更新。
7.根据权利要求4所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤a3中,初始化网络切片编排方案的全局最优解gbest和局部最优解pibest;计算每个网络切片编排方案的适应度函数f(Xi),记适应度函数值最小的网络切片编排方案为全局最优编排方案gbest,每个网络切片的局部最优编排方案为pibest=Xi,Xi是指第i个网络切片编排方案在搜索空间中的位置。
8.根据权利要求4所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤a4、a5中,当前迭代次数加1,重新计算每个网络切片编排方案的适应度值,若f(Xi)<f(pibest),更新网络切片编排方案的局部最优解pibest=Xi;若f(Xi)<f(gbest),更新网络切片编排方案的全局最优解gbest=Xi,Xi是指第i个网络切片编排方案在搜索空间中的位置。
9.根据权利要求4所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤a6中,更新每个网络切片编排方案的速度和位置,并检查调整后网络切片编排方案的可行性,即判断调整后的物理节点和其前后节点之间存在的所有最短路径中,是否存在一条带宽不小于虚拟链路带宽的路径,对于不可行的网络切片编排方案重新初始化位置向量和速度向量。
10.根据权利要求4所述的一种基于粒子群遗传的网络切片编排算法,其特征在于,步骤a7中,满足退出迭代循环条件后,退出循环,输出最优的网络切片部署编排方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210003854.XA CN114466407B (zh) | 2022-01-04 | 2022-01-04 | 一种基于粒子群遗传的网络切片编排算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210003854.XA CN114466407B (zh) | 2022-01-04 | 2022-01-04 | 一种基于粒子群遗传的网络切片编排算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114466407A true CN114466407A (zh) | 2022-05-10 |
CN114466407B CN114466407B (zh) | 2024-05-07 |
Family
ID=81406805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210003854.XA Active CN114466407B (zh) | 2022-01-04 | 2022-01-04 | 一种基于粒子群遗传的网络切片编排算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114466407B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116347404A (zh) * | 2023-05-30 | 2023-06-27 | 天翼云科技有限公司 | 一种基于群组认证的mMTC网络切片映射方法及系统 |
CN116545853A (zh) * | 2023-07-04 | 2023-08-04 | 南京理工大学 | 基于量子粒子群的一体化网络多目标优化资源管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132148A1 (en) * | 2011-11-07 | 2013-05-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method for multi-objective quality-driven service selection |
CN108174394A (zh) * | 2018-01-12 | 2018-06-15 | 西安邮电大学 | 一种5g网络切片的编排算法 |
CN109995580A (zh) * | 2019-03-13 | 2019-07-09 | 北京工业大学 | 5g网络切片中基于ga_pso混合算法的vn映射方法 |
CN111107557A (zh) * | 2019-12-09 | 2020-05-05 | 中国船舶重工集团公司第七一六研究所 | 基于5g通信标准的专网部署方法、装置及系统 |
CN111510334A (zh) * | 2020-04-21 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 一种基于粒子群算法的vnf在线调度方法 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
-
2022
- 2022-01-04 CN CN202210003854.XA patent/CN114466407B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132148A1 (en) * | 2011-11-07 | 2013-05-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method for multi-objective quality-driven service selection |
CN108174394A (zh) * | 2018-01-12 | 2018-06-15 | 西安邮电大学 | 一种5g网络切片的编排算法 |
WO2020181761A1 (zh) * | 2019-03-11 | 2020-09-17 | 江苏君英天达人工智能研究院有限公司 | 一种sdn增强路径装箱装置及方法 |
CN109995580A (zh) * | 2019-03-13 | 2019-07-09 | 北京工业大学 | 5g网络切片中基于ga_pso混合算法的vn映射方法 |
CN111107557A (zh) * | 2019-12-09 | 2020-05-05 | 中国船舶重工集团公司第七一六研究所 | 基于5g通信标准的专网部署方法、装置及系统 |
CN111510334A (zh) * | 2020-04-21 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 一种基于粒子群算法的vnf在线调度方法 |
Non-Patent Citations (1)
Title |
---|
朱华;吴礼发;赵鹏;: "多云环境的虚拟应用网络部署决策方法研究", 计算机科学, no. 2, 15 November 2017 (2017-11-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116347404A (zh) * | 2023-05-30 | 2023-06-27 | 天翼云科技有限公司 | 一种基于群组认证的mMTC网络切片映射方法及系统 |
CN116347404B (zh) * | 2023-05-30 | 2023-10-13 | 天翼云科技有限公司 | 一种基于群组认证的mMTC网络切片映射方法及系统 |
CN116545853A (zh) * | 2023-07-04 | 2023-08-04 | 南京理工大学 | 基于量子粒子群的一体化网络多目标优化资源管理方法 |
CN116545853B (zh) * | 2023-07-04 | 2023-10-13 | 南京理工大学 | 基于量子粒子群的一体化网络多目标优化资源管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114466407B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kar et al. | Offloading using traditional optimization and machine learning in federated cloud–edge–fog systems: A survey | |
Zhang et al. | Resource provision algorithms in cloud computing: A survey | |
CN109981438B (zh) | 一种面向sdn和nfv协同部署框架的卫星网络负载均衡方法 | |
WO2020258920A1 (zh) | 一种网络切片资源管理方法及设备 | |
Wang et al. | Towards network-aware service composition in the cloud | |
CN114466407B (zh) | 一种基于粒子群遗传的网络切片编排算法 | |
CN104115165A (zh) | 使用机器学习来用于映射媒体组件的方法 | |
CN111130858B (zh) | 一种sd-wan场景下的动态多目标虚拟网络映射方法 | |
Wang et al. | Presto: Towards efficient online virtual network embedding in virtualized cloud data centers | |
CN115529316B (zh) | 一种基于云计算中心网络架构的微服务部署方法 | |
CN107103360B (zh) | 一种基于混合云的可靠应用分配分布式遗传方法 | |
Meneguette et al. | An efficient green-aware architecture for virtual machine migration in sustainable vehicular clouds | |
CN113472671A (zh) | 组播路由的确定方法、装置和计算机可读存储介质 | |
Satpathy et al. | CoMap: An efficient virtual network re-mapping strategy based on coalitional matching theory | |
Lovén et al. | Weathering the reallocation storm: Large-scale analysis of edge server workload | |
Saravanan et al. | Improving map reduce task scheduling and micro-partitioning mechanism for mobile cloud multimedia services | |
Han et al. | Multi-SP Network Slicing Parallel Relieving Edge Network Conflict | |
CN114978913B (zh) | 一种基于切链的服务功能链跨域部署方法及系统 | |
CN111542078A (zh) | 一种nfv环境下核心网控制面弹性资源分配方法 | |
CN111245906A (zh) | 一种业务请求分配方法 | |
Wang et al. | An efficient framework for online virtual network embedding in virtualized cloud data centers | |
CN113596146B (zh) | 一种基于大数据的资源调度的方法及装置 | |
Midya et al. | An adaptive resource placement policy by optimizing live VM migration for ITS applications in vehicular cloud network | |
CN109889573A (zh) | 混合云中基于ngsa多目标的副本放置方法 | |
Xu et al. | On the Joint Design of Microservice Deployment and Routing in Cloud Data Centers |
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 | ||
CB02 | Change of applicant information |
Address after: 222001 No.18 Shenghu Road, Lianyungang City, Jiangsu Province Applicant after: The 716th Research Institute of China Shipbuilding Corp. Address before: 222001 No.18 Shenghu Road, Lianyungang City, Jiangsu Province Applicant before: 716TH RESEARCH INSTITUTE OF CHINA SHIPBUILDING INDUSTRY Corp. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |