CN114785689A - 一种5g切片虚拟网络映射方法、系统及存储介质 - Google Patents
一种5g切片虚拟网络映射方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114785689A CN114785689A CN202110087352.5A CN202110087352A CN114785689A CN 114785689 A CN114785689 A CN 114785689A CN 202110087352 A CN202110087352 A CN 202110087352A CN 114785689 A CN114785689 A CN 114785689A
- Authority
- CN
- China
- Prior art keywords
- domain
- virtual
- node
- virtual network
- resource
- 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.)
- Pending
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 76
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000008014 freezing Effects 0.000 claims description 15
- 238000007710 freezing Methods 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 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
- H04L41/0803—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
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/46—Interconnection of networks
- H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种5G切片虚拟网络映射方法,应用于5G网络切片的域间虚拟映射中,根据运营商维护的模板库进行匹配,并生成对应虚拟网络请求以及相应的约束条件,并匹配出该管理域内虚拟节点资源需求的匹配集;结合匹配集、FSBBA算法和基于资源代价的目标函数计算最优解,从而实现虚拟网络映射。本发明还公开了相应的系统及存储介质。实施本发明,可以在求解中实现全局优化,并能提高求解效率以及稳定性。
Description
技术领域
本发明涉及5G网络的虚拟网络映射技术领域,特别是涉及一种基于反馈寻找二进制蝙蝠算法(Feedback Seeking Binary Bat Algorithm,FSBBA)的5G切片虚拟网络映射方法。
背景技术
网络切片是5G通讯的理想网络架构,对网络进行切片部署可以让运营商在同一硬件基础上分解出多个端到端的虚拟网络,且各虚拟网络间的通讯隔离、资源共享,达到多个逻辑网络共享底层的目的。这种共享方式迎合了5G时代多业务自治的特色。其中,虚拟化技术就是网络切片的基础,对网络切片化研究依赖于对虚拟化技术的研究。
目前对于5G网络切片研究尚未有成熟的方法或标准,基于对标准组织提出的5G网络切片的了解,通过对网络切片创建流程的分析,可知网络切片的创建过程不仅包含对应用需求进行编排,还需在满足应用需求的基础上对虚拟网络的划分进行优化以达到降低切片成本,提高运营商利润的目的。
目前比较典型的域间虚拟网络映射主要由分布式和集中式。分布式域间虚拟网络映射(VNE)通过SPs(Service providers,服务供应商)与InPs(Infrastructureproviders,基础设施提供商)及InPs与InPs间的资源协商来实现,在充分权衡SPs和InPs间意愿并具有良好的可扩展性,但由于缺乏对全局信息的掌握,因此无法得到映射最优解;集中式的方法主要是让虚拟网络(VN)提供商在搜集基础设施信息的基础上按照预定的规则和策略求解域间映射方案。目前应用比较广泛的是集中式VN映射方法,主要涵盖了整数线性规划、智能算法和启发式算法等解决策略。然而,这些解决策略的假设前提是在不同数据中心实例化VN功能所消耗的节点资源相同且InPs对这些资源的报价一致,但在实际情况下各个InPs给SPs的资源报价都是不同的,且从资源链路的角度分析,每个子域均有多个输出节点,不同的节点直接影响资源开销。针对以上问题,目前最优的技术是基于例如粒子群算法或者遗传算法来对各子域的节点资源和链路资源进行分配。
但是现有的方法也存在一些不足之处:
首先,粒子群或遗传算法可控优化参数不够影响全局优化结果;
其次,多参数控制优化方法BBA(二进制蝙蝠算法)存在种群搜索能力弱使得种群失去多样性,易造成局部最优。
发明内容
本发明所要解决的技术问题在于,提供一种基于反馈寻找二进制蝙蝠算法的5G切片虚拟网络映射方法、系统及存储介质,在求解中可以实现全局优化,提高效率以及稳定性。
为解决上述技术问题,作为本发明的一方面,提供一种基于反馈寻找二进制蝙蝠算法的5G切片虚拟网络映射方法,其包括如下步骤:
步骤S10,根据5G端到端网络切片不同域的资源需求,建立基于域间编排器的多域切片架构;
步骤S11,对运营商维护的模板库进行匹配,生成对应虚拟网络请求以及相应的约束条件,并利用所述多域切片架构中的域间编排器收集各管理域的节点信息和资源开销信息;
步骤S12,根据所述虚拟网络请求相应的约束条件匹配到相关的管理域,并根据所匹配到的各管理域中的资源开销信息,选择开销最小的管理域作为节点冻结管理域;所述约束条件至少包括地理位置范围、资源属性条件;
步骤S13,结合所述域间编排器收集的节点信息,根据冻结管理域生成对应的边界节点集合,并匹配出该管理域内虚拟节点资源需求的匹配集,将所述匹配集作为预先确定的反馈寻找二进制蝙蝠算法的输入参数;
步骤S14,结合所述匹配集、反馈寻找二进制蝙蝠算法和基于资源代价的目标函数对最优解进行求解,确定虚拟网络映射,获得虚拟网络划分方案。
其中,在所述步骤S11中,所述虚拟网络请求包括:虚拟节点和虚拟链路;所述节点信息和资源开销信息包括:各节点的CPU资源、存储资源、位置信息以及单位资源的成本和域间链路单位宽带成本。
其中,所述步骤S12中进一步包括:
基于虚拟管理域的约束条件以及节点的功能标志属性匹配到符合约束条件的多个管理域,将匹配到的所述多个管理域中平均单位资源开销最小的管理域作为开销资源最小管理域。
其中,所述步骤S13进一步包括:
步骤S130,将开销资源最小管理域中的边界节点组成的物理网络抽象表示为一个有权无向图,记为Gs=(Ns,Ls),其中Ns为边界节点集合,Ls为由边界节点连接的域间链路集合,对于连接的边界节点a,b的物理链路ls(a,b)∈Ls,其中链路代价为cost(ls);
步骤S131,将虚拟网络请求表示为一个有权无向图,记为Gv=(Nv,Lv),Nv为虚拟节点集合,Lv为虚拟链路集合;
步骤S132,虚拟节点nv∈Nv的节点能力约束用c(nv)表示,对于连接的边界节点m,n的物理链路lv(m,n)∈Lv,带宽约束为bwc(lv),fn表示虚拟节点的映射,fn(i)=k则表示虚拟节点i映射到了边界节点所在的管理域并通过边界节点k进行域间连接,Path(i’,j’)表示Gs中基于i,j的虚拟节点路径的集合。
其中,所述步骤S14进一步包括:
步骤S140,构造虚拟网络划分方案矩阵PMm×n,其中,m为虚拟网络请求中虚拟请求节点的个数,n为物理网络边界节点的个数;
PM[i][j]表示虚拟节点和边界节点的映射关系,其中,PM[i][j]=1表示j∈MatchSet,且fn(i)=j;PM[i][j]=0表示j∈MatchSet,且fn(i)≠j;PM[i][j]=-1表示jMatchSet;MatchSet为所述管理域;
步骤S141,在资源配置阶段,确定PM[i][j]=-1的边界节点;
步骤S142,在虚拟映射阶段,采用基于开销最小适应度函数的反馈寻找二进制蝙蝠算法(FSBBA)对PM[i][j]的取值进行优化,获得虚拟网络划分方案;
其中,所述适应度函数为多参数融合目标函数,如下:
其中,C(nv)为虚拟节点CPU占用资源;B(ev)为虚拟节点链路带宽;a为比例因子。
其中,所述步骤S142具体包括如下步骤:
步骤S1420,初始化蝙蝠种群位置矩阵Pm×n×p,每个粒子初始化速度和位置;其中,P矩阵是随机生成的一个二进制三维数组,p为种群个数,i∈(1,p),m×n为映射矩阵,m为虚拟网络请求节点个数,n为虚拟网络请求管理域边界节点个数;
步骤S1421,根据下述公式计算蝙蝠子群位置矩阵Pi适应度值fiti得到适应度评分系数ki:
fi=fiti-mean(fiti)
其中,fiti为蝙蝠子群i对应的多参数融合目标函数Cost(Gv),mean()为均值函数;
步骤S1422,根据各蝙蝠子群位置矩阵P转换得到猎物评分矩阵R,每个猎物在当代种群对第i个蝙蝠子群的品质Rij以及第j个猎物的综合品质Sj:
M=2P-ones(size(P))
Rij=Mij·ki
其中,R矩阵为基于每个m×n的映射矩阵对应的适应度值得到的各个猎物的品质,即各边界节点对cost的正向影响,ones(size(P))表示矩阵P中所有元素为1;
步骤S1423,根据反馈得到的猎物品质反馈寻找当代蝙蝠速度与下一代蝙蝠速度之间的比例关系wj:
wj=1-(Sj-mean(Sj))
步骤S1424,根据以上权重反馈寻找蝙蝠速度更新公式,将原始速度:
vi(t)=vi(t-1)+fi·(Pi(t-1)-Pbest)
修改如下:
vij(t)=wj·vij(t-1)+fi·(Pij(t-1)-Pbestj);
其中,Pbestj为第j个猎物中最优值;
步骤S1425,在符合映射算法终止条件后,保留当前最优解,最终得到虚拟网络划分矩阵方案。
其中,所述步骤S1425具体如下:
由迭代次数k控制所述反馈寻找二进制蝙蝠算法(FSBBA)的终止,在第i次迭代结束后,对迭代次数i加1,并进行判断:若i<k,则算法继续;若i=k,则算法终止,保留当前最优解,最终得到虚拟网络划分矩阵方案。
其中,所述基于域间编排器的多域切片架构至少包括多个域间编排器以及网络编排器,其中:
域间编排器用于收集并协调各管理域来共同创建网络切片;
网络编排器用于网络服务及资源编排,以便快速部署网络服务,以及支持未来的创新网络应用。
相应地,本发明的另一方面,还提供一种5G切片虚拟网络映射系统,其包括:
匹配处理单元,用于对运营商维护的模板库进行匹配,生成对应虚拟网络请求以及相应的约束条件,并利用所述多域切片架构中的域间编排器收集各管理域的节点信息和资源开销信息;
节点冻结管理域获得单元,用于根据虚拟网络请求中的约束条件匹配到相关的管理域,并根据所匹配到的各管理域中的资源开销信息,选择开销最小的管理域作为节点冻结管理域;所述约束条件至少包括地理位置范围、资源属性条件;
匹配集获得单元,用于结合所述域间编排器收集的节点信息,根据冻结管理域生成对应的边界节点集合,并匹配出该管理域内虚拟节点资源需求的匹配集,将所述匹配集作为预先确定的反馈寻找二进制蝙蝠算法的输入参数;
优化处理单元,用于结合所述匹配集、反馈寻找二进制蝙蝠算法和基于资源代价的目标函数对最优解进行求解,确定虚拟网络映射,获得虚拟网络划分方案。
相应的,本发明的另一方面,还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算装置执行时,使得所述一个或多个计算装置实现前述的方法。
实施本发明实施例,具有如下的有益效果:
本发明提供一种5G切片虚拟网络映射方法、系统及存储介质。采用反馈寻找的FSBBA算法对域间的虚拟网络进行划分,可以解决现有技术中粒子群算法、遗传算法可控参数少,影响全局最优的问题;
同时,本发明所采用的FSBBA算法为一种反馈寻找蝙蝠二进制算法,其可以在原始BBA添加猎物本身品质对蝙蝠速度的影响。理论上,猎物品质越高,对蝙蝠的吸引越大,则蝙蝠的相对速度越低,所以本发明根据每轮迭代种群的适应度值计算当代种群各猎物的品质,根据猎物品质改变下次迭代种群各例子更新概率以加快算法求解的收敛速度,并提高了求解稳定性;
本发明的方法可以实现优化的5G网络切片操作,可以在更少的资源开销、更短的划分时间和更高的接受率实现物理网络资源的有效利用。能在汽车行驶在网络拥堵区域提供始终如一的低时延和高速率服务保障,是自动驾驶实现L3级及以上功能的必要手段;其具有较好的网络性能,实现基础设施使用者的性价比最大化,对自主研发无人驾驶汽车具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种5G切片虚拟网络映射方法的一个实施例的主流程示意图;
图2为图1中涉及的虚拟网络(VN)的网络切片架构示意图;
图3为图1中涉及的域间虚拟网络映射原理示意图;
图4为图1中涉及的FSBBA算法处理的原理示意图;
图5为本发明提供的一种5G切片虚拟网络映射系统的一个实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,示出了本发明提供的一种基于反馈寻找二进制蝙蝠算法的5G切片虚拟网络映射方法的一个实施例的结构示意图,一并结合图2至图4所示,在本实施例中,所述方法具体包括如下步骤:
步骤S10,根据5G端到端网络切片不同域的资源需求,建立基于域间编排器的多域切片架构;请参照如图2所示,在所述多域切片架构中,至少包含有多个域间编排器以及网络编排器,其中:
域间编排器用于收集并协调各管理域来共同创建网络切片;
网络编排器用于网络服务及资源编排,以便快速部署网络服务,以及支持未来的创新网络应用;其可以极大地降低资本支出及运维支出。
步骤S11,根据移动通信网络跨越网络切片的特点与用户的应用需求,对运营商维护的模板库进行匹配,生成对应虚拟网络请求以及相应的约束条件,并利用所述多域切片架构中的域间编排器收集底层各管理域的节点信息和资源开销信息;
具体地,所述虚拟网络请求包括:虚拟节点和虚拟链路;所述节点信息和资源开销信息包括:各节点的CPU资源、存储资源、位置信息以及单位资源的成本和域间链路单位宽带成本。
步骤S12,根据虚拟网络请求中的约束条件匹配到相关的管理域,并根据匹配到的各管理域中的资源开销信息,选择开销最小的管理域作为节点冻结管理域;所述约束条件至少包括地理位置范围、资源属性条件;在其他一些例子中,可以增加考虑虚拟网络请求的处理能力以及可靠性约束。
在上具体的例子中,所述步骤S12中进一步包括:
基于虚拟管理域的约束条件以及节点的功能标志属性匹配到符合约束条件的多个管理域,将匹配到的所述多个管理域中平均单位资源开销最小的管理域作为开销资源最小管理域。
步骤S13,结合所述域间编排器收集的节点信息,根据冻结管理域生成对应的边界节点集合,并匹配出该管理域内虚拟节点资源需求的匹配集,将所述匹配集作为预先确定的反馈寻找二进制蝙蝠算法(FSBBA)的输入参数;其中,反馈寻找二进制蝙蝠算法(FSBBA)可以根据移动通信网络域间网络切片的特点,参选设计并确定好。
具体地,在一个例子中,所述步骤S13进一步包括:
步骤S130,将开销资源最小管理域中的边界节点组成的物理网络抽象表示为一个有权无向图,记为Gs=(Ns,Ls),其中Ns为边界节点集合,Ls为由边界节点连接的域间链路集合,对于连接的边界节点a,b的物理链路ls(a,b)∈Ls,其中链路代价为cost(ls);
步骤S131,将虚拟网络请求表示为一个有权无向图,记为Gv=(Nv,Lv),Nv为虚拟节点集合,Lv为虚拟链路集合;
步骤S132,虚拟节点nv∈Nv的节点能力约束用c(nv)表示,对于连接的边界节点m,n的物理链路lv(m,n)∈Lv,带宽约束为bwc(lv),fn表示虚拟节点的映射,fn(i)=k则表示虚拟节点i映射到了边界节点所在的管理域并通过边界节点k进行域间连接,Path(i’,j’)表示Gs中基于i,j的虚拟节点路径的集合。
步骤S14,结合所述匹配集、反馈寻找二进制蝙蝠算法(FSBBA)和基于资源代价的目标函数对最优解进行求解,确定虚拟网络映射,获得虚拟网络划分方案。
在一个具体的例子中,所述步骤S14进一步包括:
步骤S140,构造虚拟网络划分方案矩阵PMm×n,其中,m为虚拟网络请求中虚拟请求节点的个数,n为物理网络边界节点的个数;
PM[i][j]表示虚拟节点和边界节点的映射关系,其中,PM[i][j]=1表示j∈MatchSet,且fn(i)=j;PM[i][j]=0表示j∈MatchSet,且fn(i)≠j;PM[i][j]=-1表示jMatchSet;MatchSet为所述管理域;
步骤S141,在资源配置阶段,确定PM[i][j]=-1的边界节点;
步骤S142,在虚拟映射阶段,采用基于开销最小适应度函数的反馈寻找二进制蝙蝠算法(FSBBA)对PM[i][j]的取值进行优化,获得虚拟网络划分方案;
其中,所述适应度函数为多参数融合目标函数,如下:
其中,C(nv)为虚拟节点CPU占用资源;B(ev)为虚拟节点链路带宽;a为比例因子。
其中,请结合图5所示,所述步骤S142具体包括如下步骤:
步骤S1420,初始化蝙蝠种群位置矩阵Pm×n×p,每个粒子初始化速度和位置;其中,P矩阵是随机生成的一个二进制三维数组,p为种群个数,i∈(1,p),m×n为映射矩阵,m为虚拟网络请求节点个数,n为虚拟网络请求管理域边界节点个数;
步骤S1421,根据下述公式计算蝙蝠子群位置矩阵Pi适应度值fiti得到适应度评分系数ki:
fi=fiti-mean(fiti)
其中,fiti为蝙蝠子群i对应的多参数融合目标函数Cost(Gv),mean()为均值函数;
步骤S1422,根据各蝙蝠子群位置矩阵P转换得到猎物评分矩阵R,每个猎物在当代种群对第i个蝙蝠子群的品质Rij以及第j个猎物的综合品质Sj:
M=2P-ones(size(P))
Rij=Mij·ki
其中,R矩阵为基于每个m×n的映射矩阵对应的适应度值得到的各个猎物的品质,即各边界节点对cost的正向影响,ones(size(P))表示矩阵P中所有元素为1;
步骤S1423,根据反馈得到的猎物品质反馈寻找当代蝙蝠速度与下一代蝙蝠速度之间的比例关系wj:
wj=1-(Sj-mean(Sj))
步骤S1424,根据以上权重反馈寻找蝙蝠速度更新公式,将原始速度:
vi(t)=vi(t-1)+fi·(Pi(t-1)-Pbest)
修改如下:
vij(t)=wj·vij(t-1)+fi·(Pij(t-1)-Pbestj);
其中,Pbestj为第j个猎物中最优值;
步骤S1425,在符合映射算法终止条件后,保留当前最优解,最终得到虚拟网络划分矩阵方案。
其中,所述步骤S1425具体如下:
由迭代次数k控制所述反馈寻找二进制蝙蝠算法(FSBBA)的终止,在第i次迭代结束后,对迭代次数i加1,并进行判断:若i<k,则算法继续;若i=k,则算法终止,保留当前最优解,最终得到虚拟网络划分矩阵方案。
在一个例子中,最终获得的虚拟网络划分矩阵方案可以如下表所示:
P1 | P2 | P3 | …… | Pm | |
V1 | 0 | 1 | -1 | …… | -1 |
V2 | 1 | -1 | -1 | …… | -1 |
…… | …… | ...... | …… | …… | …… |
Vn | -1 | -1 | 1 | …… | 0 |
可以理解的是,FSBBA算法实现了蝙蝠和猎物的双向寻优,让蝙蝠种群向品质高的猎物移动,防止种群陷入局部最优。
在本发明提供的方法中,可以基于资源属性等约束条件从已有管理域中选择可用虚拟网络请求管理域作为节点冻结管理域。节点冻结管理域的边界节点集合(即匹配集,MatchSet)。基于匹配集中各子管理域(V1~Vn)的边界节点与FSBBA优化算法,可以优化虚拟请求节点P1~Pm的激活值(0或者1),从而获得虚拟网络划分矩阵方案。而采用基于FSBBA算法的虚拟网络映射,可以在更少的资源开销、更短的划分时间和更高的接受率实现物理网络资源的有效利用。
可以理解的是,5G通信是整个自动驾驶实现L3级及以上功能的必要手段,5G网络切片能在汽车行驶在网络拥堵区域提供始终如一的低时延和高速率服务保障,采用本发明提供的有效的切片虚拟网络映射方法能降低资源代价,具有较好的网络性能,实现基础设施使用者的性价比最大化,对自主研发无人驾驶汽车具有重要意义。
相应地,如图5所示,还提供一种5G切片虚拟网络映射系统一个实施例的结构示意图,在本实施例中,所述系统1包括:
架构建立单元10,用于根据5G端到端网络切片不同域的资源需求,建立基于域间编排器的多域切片架构;
匹配处理单元11,用于根据移动通信网络跨越网络切片的特点与用户的应用需求,对运营商维护的模板库进行匹配,生成对应虚拟网络请求以及相应的约束条件,并利用所述多域切片架构中的域间编排器收集底层各管理域的节点信息和资源开销信息;
节点冻结管理域获得单元12,用于根据虚拟网络请求中的约束条件匹配到相关的管理域,并根据所匹配到的各管理域中的资源开销信息,选择开销最小的管理域作为节点冻结管理域;所述约束条件至少包括地理位置范围、资源属性条件;
匹配集获得单元13,用于结合所述域间编排器收集的节点信息,根据冻结管理域生成对应的边界节点集合,并匹配出该管理域内虚拟节点资源需求的匹配集,将所述匹配集作为预先确定的反馈寻找二进制蝙蝠算法(FSBBA)的输入参数;
优选处理单元14,用于结合所述匹配集、反馈寻找二进制蝙蝠算法(FSBBA)和基于资源代价的目标函数对最优解进行求解,确定虚拟网络映射,获得虚拟网络划分方案。
上述各单元的具体实现的方式可以参照前述对图1至图4的描述,在此不进行赘述。
可以理解的是,本发明的另一方面,还提供了一种5G切片虚拟网络映射系统,其可以是计算机系统,包括:
一个或多个处理器;以及
一个或多个存储器,被配置为存储一系列计算机可执行的指令,
其中,当所述一系列计算机可执行的指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如图1所描述的方法。更多细节可以参考前述对图1至图4的描述,在此不进行赘述。
可以理解提,本发明的再一方面,还提供了一种非临时性计算机可读存储介质,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算装置执行时,使得所述一个或多个计算装置实现如图1所描述的方法。更多细节可以参考前述对图1至图4的描述,在此不进行赘述。
实施本发明实施例,具有如下的有益效果:
本发明提供一种5G切片虚拟网络映射方法、系统及存储介质。采用反馈寻找的FSBBA算法对域间的虚拟网络进行划分,可以解决现有技术中粒子群算法、遗传算法可控参数少,影响全局最优的问题;
同时,本发明所采用的FSBBA算法为一种反馈寻找蝙蝠二进制算法,其可以在原始BBA添加猎物本身品质对蝙蝠速度的影响。理论上,猎物品质越高,对蝙蝠的吸引越大,则蝙蝠的相对速度越低,所以本发明根据每轮迭代种群的适应度值计算当代种群各猎物的品质,根据猎物品质改变下次迭代种群各例子更新概率以加快算法求解的收敛速度,并提高了求解稳定性;
本发明的方法可以实现优化的5G网络切片操作,可以在更少的资源开销、更短的划分时间和更高的接受率实现物理网络资源的有效利用。能在汽车行驶在网络拥堵区域提供始终如一的低时延和高速率服务保障,是自动驾驶实现L3级及以上功能的必要手段;其具有较好的网络性能,实现基础设施使用者的性价比最大化,对自主研发无人驾驶汽车具有重要意义。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种5G切片虚拟网络映射方法,其特征在于,包括如下步骤:
步骤S10,根据5G端到端网络切片不同域的资源需求,建立基于域间编排器的多域切片架构;
步骤S11,对运营商维护的模板库进行匹配,生成对应虚拟网络请求以及相应的约束条件,并利用所述多域切片架构中的域间编排器收集各管理域的节点信息和资源开销信息;
步骤S12,根据所述虚拟网络请求相应的约束条件匹配到相关的管理域,并根据所匹配到的各管理域中的资源开销信息,选择开销最小的管理域作为节点冻结管理域;所述约束条件至少包括地理位置范围、资源属性条件;
步骤S13,结合所述域间编排器收集的节点信息,根据冻结管理域生成对应的边界节点集合,并匹配出该管理域内虚拟节点资源需求的匹配集,将所述匹配集作为预先确定的反馈寻找二进制蝙蝠算法的输入参数;
步骤S14,结合所述匹配集、反馈寻找二进制蝙蝠算法和基于资源代价的目标函数对最优解进行求解,确定虚拟网络映射,获得虚拟网络划分方案。
2.如权利要求1中的方法,其特征在于,在所述步骤S11中,所述虚拟网络请求包括:虚拟节点和虚拟链路;所述节点信息和资源开销信息包括:各节点的CPU资源、存储资源、位置信息以及单位资源的成本和域间链路单位宽带成本。
3.如权利要求2中的方法,其特征在于,所述步骤S12中进一步包括:
基于虚拟管理域的约束条件以及节点的功能标志属性匹配到符合约束条件的多个管理域,将所匹配到的所述多个管理域中平均单位资源开销最小的管理域作为开销资源最小管理域。
4.如权利要求3所述的方法,其特征在于,所述步骤S13进一步包括:
步骤S130,将开销资源最小管理域中的边界节点组成的物理网络抽象表示为一个有权无向图,记为Gs=(Ns,Ls),其中Ns为边界节点集合,Ls为由边界节点连接的域间链路集合,对于连接的边界节点a,b的物理链路ls(a,b)∈Ls,其中链路代价为cost(ls);
步骤S131,将虚拟网络请求表示为一个有权无向图,记为Gv=(Nv,Lv),Nv为虚拟节点集合,Lv为虚拟链路集合;
步骤S132,将虚拟节点nv∈Nv的节点能力约束用c(nv)表示,对于连接的边界节点m,n的物理链路lv(m,n)∈Lv,带宽约束为bwc(lv),fn表示虚拟节点的映射,fn(i)=k则表示虚拟节点i映射到了边界节点所在的管理域并通过边界节点k进行域间连接,Path(i’,j’)表示Gs中基于i,j的虚拟节点路径的集合。
5.如权利要求4所述的方法,其特征在于,所述步骤S14进一步包括:
步骤S140,构造虚拟网络划分方案矩阵PMm×n,其中,m为虚拟网络请求中虚拟请求节点的个数,n为物理网络边界节点的个数;PM[i][j]表示虚拟节点和边界节点的映射关系,其中,PM[i][j]=1表示j∈MatchSet,且fn(i)=j;PM[i][j]=0表示j∈MatchSet,且fn(i)≠j;PM[i][j]=-1表示j MatchSet;MatchSet为所述管理域;
步骤S141,在资源配置阶段,确定PM[i][j]=-1的边界节点;
步骤S142,在虚拟映射阶段,采用基于开销最小适应度函数的反馈寻找二进制蝙蝠算法对PM[i][j]的取值进行优化,获得虚拟网络划分方案;
其中,所述适应度函数为多参数融合目标函数,如下:
其中,C(nv)为虚拟节点CPU占用资源;B(ev)为虚拟节点链路带宽;a为比例因子。
6.如权利要求5所述的方法,特征在于,所述步骤S142具体包括如下步骤:
步骤S1420,初始化蝙蝠种群位置矩阵Pm×n×p,每个粒子初始化速度和位置;其中,P矩阵是随机生成的一个二进制三维数组,p为种群个数,i∈(1,p),m×n为映射矩阵,m为虚拟网络请求节点个数,n为虚拟网络请求管理域边界节点个数;
步骤S1421,根据下述公式计算蝙蝠子群位置矩阵Pi适应度值fiti得到适应度评分系数ki:
fi=fiti-mean(fiti)
其中,fiti为蝙蝠子群i对应的多参数融合目标函数Cost(Gv),mean()为均值函数;
步骤S1422,根据各蝙蝠子群位置矩阵P转换得到猎物评分矩阵R,每个猎物在当代种群对第i个蝙蝠子群的品质Rij以及第j个猎物的综合品质Sj:
M=2P-ones(size(P))
Rij=Mij·ki
其中,R矩阵为基于每个m×n的映射矩阵对应的适应度值得到的各个猎物的品质,即各边界节点对cost的正向影响,ones(size(P))表示矩阵P中所有元素为1;
步骤S1423,根据反馈得到的猎物品质反馈寻找当代蝙蝠速度与下一代蝙蝠速度之间的比例关系wj:
wj=1-(Sj-mean(Sj))
步骤S1424,根据以上权重反馈寻找蝙蝠速度更新公式,将原始速度:
vi(t)=vi(t-1)+fi·(Pi(t-1)-Pbest)
修改如下:
vij(t)=wj·vij(t-1)+fi·(Pij(t-1)-Pbestj);
其中,Pbestj为第j个猎物中最优值;
步骤S1425,在符合映射算法终止条件后,保留当前最优解,最终得到虚拟网络划分矩阵方案。
7.如权利要求6所述的方法,其特征在于,所述步骤S1425具体如下:
由迭代次数k控制所述反馈寻找二进制蝙蝠算法的终止,在第i次迭代结束后,对迭代次数i加1,并进行判断:若i<k,则算法继续;若i=k,则算法终止,保留当前最优解,最终得到虚拟网络划分矩阵方案。
8.如权利要求7所述的方法,其特征在于,所述基于域间编排器的多域切片架构至少包括多个域间编排器以及网络编排器,其中:
域间编排器用于收集并协调各管理域来共同创建网络切片;
网络编排器用于网络服务及资源编排,以便快速部署网络服务,以及支持未来的创新网络应用。
9.一种5G切片虚拟网络映射系统,其特征在于,包括:
架构建立单元,用于根据5G端到端网络切片不同域的资源需求,建立基于域间编排器的多域切片架构;
匹配处理单元,用于对运营商维护的模板库进行匹配,生成对应虚拟网络请求以及相应的约束条件,并利用所述多域切片架构中的域间编排器收集各管理域的节点信息和资源开销信息;
节点冻结管理域获得单元,用于根据虚拟网络请求中的约束条件匹配到相关的管理域,并根据所匹配到的各管理域中的资源开销信息,选择开销最小的管理域作为节点冻结管理域;所述约束条件至少包括地理位置范围、资源属性条件;
匹配集获得单元,用于结合所述域间编排器收集的节点信息,根据冻结管理域生成对应的边界节点集合,并匹配出该管理域内虚拟节点资源需求的匹配集,将所述匹配集作为预先确定的反馈寻找二进制蝙蝠算法的输入参数;
优化处理单元,用于结合所述匹配集、反馈寻找二进制蝙蝠算法和基于资源代价的目标函数对最优解进行求解,确定虚拟网络映射,获得虚拟网络划分方案。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算装置执行时,使得所述一个或多个计算装置实现如1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087352.5A CN114785689A (zh) | 2021-01-22 | 2021-01-22 | 一种5g切片虚拟网络映射方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087352.5A CN114785689A (zh) | 2021-01-22 | 2021-01-22 | 一种5g切片虚拟网络映射方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114785689A true CN114785689A (zh) | 2022-07-22 |
Family
ID=82407769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087352.5A Pending CN114785689A (zh) | 2021-01-22 | 2021-01-22 | 一种5g切片虚拟网络映射方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114785689A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468308A (zh) * | 2014-10-29 | 2015-03-25 | 北京邮电大学 | 基于粒子群算法的跨域虚拟网络映射方法及系统 |
CN105447565A (zh) * | 2015-11-19 | 2016-03-30 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于离散蝙蝠算法的片上网络映射方法 |
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 |
CN108833159A (zh) * | 2018-06-11 | 2018-11-16 | 中国人民解放军战略支援部队信息工程大学 | Sdn/nfv环境下跨域服务链映射方法及系统 |
CN108923979A (zh) * | 2018-07-11 | 2018-11-30 | 重庆邮电大学 | 软件定义网络虚拟网络映射方法 |
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 |
CN111385151A (zh) * | 2020-03-11 | 2020-07-07 | 中国电子科技集团公司第五十四研究所 | 一种基于多目标优化的虚拟网络的映射方法及装置 |
WO2020171957A1 (en) * | 2019-02-22 | 2020-08-27 | Vmware, Inc. | Virtual service networks |
-
2021
- 2021-01-22 CN CN202110087352.5A patent/CN114785689A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468308A (zh) * | 2014-10-29 | 2015-03-25 | 北京邮电大学 | 基于粒子群算法的跨域虚拟网络映射方法及系统 |
CN105447565A (zh) * | 2015-11-19 | 2016-03-30 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于离散蝙蝠算法的片上网络映射方法 |
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 |
CN108833159A (zh) * | 2018-06-11 | 2018-11-16 | 中国人民解放军战略支援部队信息工程大学 | Sdn/nfv环境下跨域服务链映射方法及系统 |
CN108923979A (zh) * | 2018-07-11 | 2018-11-30 | 重庆邮电大学 | 软件定义网络虚拟网络映射方法 |
WO2020171957A1 (en) * | 2019-02-22 | 2020-08-27 | Vmware, Inc. | Virtual service networks |
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 |
CN111385151A (zh) * | 2020-03-11 | 2020-07-07 | 中国电子科技集团公司第五十四研究所 | 一种基于多目标优化的虚拟网络的映射方法及装置 |
Non-Patent Citations (4)
Title |
---|
徐一凡: "5G环境下网络切片编排技术的研究与仿真", 《中国优秀硕士学位论文全文数据库》 * |
施颖洁,陈前斌,杨希希,唐伦, 《重庆邮电大学学报》, pages 159 - 166 * |
袁泉: "虚拟网络功能编排方法研究", 《中国优秀硕士学位论文全文数据库》 * |
黄文艺: "基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估", 《中国优秀硕士学位论文全文数据库》, pages 1 - 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
Luo et al. | Minimizing the delay and cost of computation offloading for vehicular edge computing | |
CN110557732B (zh) | 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 | |
CN108566659B (zh) | 一种基于可靠性的5g网络切片在线映射方法 | |
CN108170530B (zh) | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 | |
CN108174394A (zh) | 一种5g网络切片的编排算法 | |
Zhang et al. | An approach of multi-objective computing task offloading scheduling based NSGS for IOV in 5G | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN115225643A (zh) | 点云平台大数据分布式管理方法、装置及系统 | |
CN116842380A (zh) | 基于客户端成簇的混合联邦分割学习的模型训练方法 | |
CN111885493A (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
Li et al. | Optimal service selection and placement based on popularity and server load in multi-access edge computing | |
CN114785689A (zh) | 一种5g切片虚拟网络映射方法、系统及存储介质 | |
Zhang et al. | Optimizing Energy-Latency Tradeoff for Computation Offloading in SDIN-Enabled MEC-based IIoT. | |
Belkout et al. | A load balancing and routing strategy in fog computing using deep reinforcement learning | |
Wang et al. | An efficient framework for online virtual network embedding in virtualized cloud data centers | |
Xiao et al. | A Two-Stage GCN-Based Deep Reinforcement Learning Framework for SFC Embedding in Multi-Datacenter Networks | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
Nour et al. | Unsupervised data splitting scheme for federated edge learning in iot networks | |
Guan et al. | Multidimensional resource fragmentation-aware virtual network embedding for IoT applications in MEC networks | |
Kumuthini et al. | Ant with Artificial Bee Colony Techniques in Vehicular Ad-hoc Networks | |
CN112634290B (zh) | 一种基于聚类交互的图形分割方法 | |
Yi et al. | An effective strategy of centralized multi-domain virtual network embedding | |
Ko et al. | Two-Phase Split Computing Framework in Edge-Cloud Continuum |
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 |