CN115086323A - 一种云网络服务协调系统及方法 - Google Patents
一种云网络服务协调系统及方法 Download PDFInfo
- Publication number
- CN115086323A CN115086323A CN202210677839.3A CN202210677839A CN115086323A CN 115086323 A CN115086323 A CN 115086323A CN 202210677839 A CN202210677839 A CN 202210677839A CN 115086323 A CN115086323 A CN 115086323A
- Authority
- CN
- China
- Prior art keywords
- service
- target
- determining
- optimization
- service instance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 77
- 238000013508 migration Methods 0.000 claims description 48
- 230000005012 migration Effects 0.000 claims description 48
- 230000002068 genetic effect Effects 0.000 claims description 16
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 29
- 238000007726 management method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 101150031442 sfc1 gene Proteins 0.000 description 1
- 238000004808 supercritical fluid chromatography Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种云网络服务协调系统及方法，涉及云资源协调技术领域，该系统包括服务接入模块和服务协调模块，主要是通过用户端产生的服务需求，确定多个需要同时迁移的服务实例；基于需要同时迁移的服务实例和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间；优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标；本发明在最小化所有服务请求时延影响并保证服务重构后的网络负载均衡，提升网络系统性能、负载均衡。
Description
技术领域
本发明涉及云资源协调技术领域，特别是涉及一种云网络服务协调系统及方法。
背景技术
云网络环境的服务协调算法为在系统拥塞、服务质量下降等情况下，将节点服务任务重构至网络其他服务端执行的系统性能优化算法。在智能设备的广泛普及和各种服务应用的爆炸式增长的背景下，网络功能虚拟化(NFV)为以替换底层的专用硬件，通过虚拟化和云技术在商用现成服务器上实现网络服务的技术。NFV技术的发展保障了网络服务部署的灵活性和敏捷性，降低成本支出。
由于网络服务的灵活性是通过虚拟化技术实现，因此也导致了动态易变的网络负载。在云网络环境中，面向NFV技术的服务协调问题从这几方面进行考虑，例如，对云网络环境中的资源分配及服务任务协调策略进行优化，高效利用网络资源；结合NFV技术特性，每个服务实例通常由多个SFCs共享使用，研究高效的服务调度策略具有重要价值。
目前云数据中心的服务调度策略受到广泛关注。云数据中心为用户服务提供计算资源和存储资源，形成一个服务资源池，保障用户的服务需求。但是，现在多数研究的服务调度策略主要考虑单个服务实例的服务调度策略或无共享性质的服务实例的服务调度策略，不符合实际需求。
发明内容
本发明的目的是提供一种云网络服务协调系统及方法，在最小化所有服务请求时延影响并保证服务重构后的网络负载均衡，提升网络系统性能、负载均衡。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供了一种云网络服务协调系统，包括：
服务接入模块，用于获取用户端产生的服务需求；
服务协调模块，用于：
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体；所述初始种群包括每个目标服务实例到达的目标物理节点以及每个目标服务实例到达目标物理节点所用的时间；所述目标服务实例为需要同时迁移的服务实例；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标；
或者，基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
可选地，还包括：
计算资源模块，至少用于提供优化算法；所述优化算法包括启发式遗传算法和迁移优先级算法。
可选地，所述计算资源模块由硬件层、虚拟化层、虚拟资源层共同构建；所述硬件层为底层通用硬件设备，所述硬件层用于提供计算资源、网络资源和存储资源；所述虚拟化层用于对所述硬件层的资源进行抽象，形成对应的虚拟资源；所述虚拟资源层用于存储所述虚拟化层抽象出来的各种虚拟资源。
可选地，还包括：
服务管理模块，用于提供云网络环境的服务管理功能；所述服务管理功能包括管理服务实例生命周期功能、协调计算资源模块上的各类资源功能和调用服务协调模块响应功能。
可选地，在所述基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体方面，所述服务协调模块，用于：
基于启发式搜索算法和目标服务实例，确定初始种群；
基于优化目标和遗传算法，确定最优个体。
可选地，在所述基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间方面，所述服务协调模块，用于：
确定目标服务实例的迁移优先级；
获取迁移候选目标物理节点集合；
基于所述迁移优先级、所述迁移候选目标物理节点集合和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
第二方面，本发明提供了一种云网络服务协调方法，包括：
获取用户端产生的服务需求；
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体；所述初始种群包括每个目标服务实例到达的目标物理节点以及每个目标服务实例到达目标物理节点所用的时间；所述目标服务实例为需要同时迁移的服务实例；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标。
可选地，所述基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体，具体包括：
基于启发式搜索算法和目标服务实例，确定初始种群；
基于优化目标和遗传算法，确定最优个体。
第三方面，本发明提供了一种云网络服务协调方法，包括：
获取用户端产生的服务需求；
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标。
可选地，所述基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间方面，具体包括：
确定目标服务实例的迁移优先级；
获取迁移候选目标物理节点集合；
基于所述迁移优先级、所述迁移候选目标物理节点集合和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明基于云数据中心共享的服务功能协调系统和网络场景需求(动态变化的网络服务造成多个节点或多条链路过载)，研究了多个服务功能并发协调过程。且对于服务提供商而言，任务协调的根本目的是确保服务的可持续性。因此，本发明通过综合考虑多个节点上的服务状态进行服务协调调度。在云计算服务协调问题中，通过对时延和负载进行联合优化，将二者作为共同优化目标，提升网络系统性能、负载均衡。
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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的云网络服务协调系统的分层系统架构图；
图2为本发明实施例提供的算法在核心云网络协调场景示意图；
图3为本发明实施例提供的一种云网络服务协调方法的流程一图；
图4为本发明实施例提供的改进混合遗传进化算法的流程图；
图5为本发明实施例提供的一种云网络服务协调方法的流程二图；
图6为本发明实施例提供的迁移优先级算法流程图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明实施例提供的云网络服务协调系统的分层系统架构图；如图1所示，本实施例提供的云网络服务协调系统(图1用核心云网络表示)主要包括计算资源模块、服务管理模块、服务协调模块以及服务接入模块。一方面，终端用户产生的服务需求通过服务接入模块传输至核心云网络，核心云网络根据用户产生的服务需求特征与网络中各个节点的负载情况对服务进行调度，并通过核心云网络中计算资源模块上强大的计算、存储资源支持服务运行。另一方面，服务管理模块监控网络各节点链路以及服务中服务实例的相关状态，当网络处于亚健康状态时(节点、链路过载、或服务QoS下降)，启动服务协调模块工作。服务协调模块负载整个网络系统中的服务协调、重构，使得各个资源节点有效协同起来，共同处理系统中发生问题的相关服务，保证整个网络系统健康的运行状态。
图2为本发明实施例提供的算法在核心云网络协调场景示意图。在该核心云网络拓扑中，核心层的4台交换机作为用户服务请求的接入点。黑色虚线表示三个用户服务请求合并后的数据流。初始映射状态下，三个用户服务请求所经过的链路数目分别为22条、24条、24条。由于网络节点过载、故障等原因，需要对服务协调，迁移物理机(physicalmachine，简称PM)1上的服务实例VNFIa。在只考虑对单个服务请求的影响，如SFC1时，协调方案为PM1->PM4，此时网络中服务使用的总链路数从70减到了68。而考虑服务实例的共享因素，协调方案改为PM1->PM7，此时网络中服务使用的总链路数从70减到了66。因此，服务实例的共享性是网络服务可持续的一个关键影响因素。
在优化目标方面，网络负载和服务整体时延之间存在明显的冲突。一般来说，将同一个服务上的服务实例放置在相同的PM中将显著减少服务时延(没有额外的流传播时延)，但会导致网络负载不平衡，不利于后续用户请求的接入。因此，服务实例的共享和并发迁移现象对网络状态和服务产生重要影响。在服务协调模块中，协调的主要优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡。
鉴于此，本实施例提供的云网络服务协调系统主要包括计算资源模块、服务管理模块、服务协调模块以及服务接入模块。
服务接入模块，用于获取用户端产生的服务需求；
服务协调模块，用于：
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体；所述初始种群包括每个目标服务实例到达的目标物理节点以及每个目标服务实例到达目标物理节点所用的时间；所述目标服务实例为需要同时迁移的服务实例；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标；
或者，基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
计算资源模块，至少用于提供优化算法；所述优化算法包括启发式遗传算法和迁移优先级算法。
所述计算资源模块由硬件层、虚拟化层、虚拟资源层共同构建；所述硬件层为底层通用硬件设备，所述硬件层用于提供计算资源、网络资源和存储资源；所述虚拟化层用于对所述硬件层的资源进行抽象，形成对应的虚拟资源；所述虚拟资源层用于存储所述虚拟化层抽象出来的各种虚拟资源。
服务管理模块，用于提供云网络环境的服务管理功能；所述服务管理功能包括管理服务实例生命周期功能、协调计算资源模块上的各类资源功能和调用服务协调模块响应功能。
进一步地，在所述基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体方面，所述服务协调模块，用于：
基于启发式搜索算法和目标服务实例，确定初始种群；
基于优化目标和遗传算法，确定最优个体。
进一步地，在所述基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间方面，所述服务协调模块，用于：
确定目标服务实例的迁移优先级；
获取迁移候选目标物理节点集合；
基于所述迁移优先级、所述迁移候选目标物理节点集合和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
实施例二
本实施例提供的云网络服务协调方法运行在端-云二层系统架构上。所述“端”是用户层，包括大量异构设备运行计算密集型的应用程序，例如虚拟现实、高带宽视频访问等。用户任务通过核心云网络(即实施例一所述的云网络服务协调系统)上的服务接入模块访问云端服务，云端服务为用户服务提供丰富的计算资源和存储资源；所谓“云端”是指核心云网络，底层为硬件层，负责提供计算、存储和网络等资源，核心云网络主要包括计算资源模块，服务接入模块、服务管理模块和服务协调模块，其中：
所述服务接入模块指面向用户连接或访问核心云网络资源的部分。该模块通过光纤、同轴电缆、无线接入技术等传输介质，实现用户连接，允许终端用户连接到网络，接入核心云网络中的服务。
所述计算资源模块，由硬件层、虚拟化层、虚拟资源层共同构建。底层硬件层为底层通用硬件设备，负责提供计算、网络、存储等资源；虚拟化层负责对底层资源进行抽象，形成对应的虚拟资源。虚拟资源层包括抽象出来的各种虚拟资源，如虚拟计算资源、虚拟存储资源、虚拟网络资源。通过将虚拟资源分配给每一个服务实例，为服务的运行提供部署、管理和运行环境。
所述服务管理模块提供了云网络环境的服务管理功能，负责管理服务实例的整个生命周期，协调计算资源模块上的各类资源，确保环境所需的资源与服务之间的最优配置。此外，该模块对服务实例进行状态监控，保证云网络环境在节点过载、服务质量下降等问题出现时，快速调用服务协调模块响应，保证服务的可持续性。
所述服务协调模块提供了云网络环境的整体编排功能，用于云网络环境监控和服务协调策略的执行，主要包括模型单元、算法单元以及系统优化目标单元等单元，其中：
所述模型单元存储了服务协调的系统模型、相关参数特征、系统优化指标等，用于系统性能优化问题的形式化表示。
所述算法单元是解决云网络服务协调优化问题的核心单元，包含了相关进化算法、针对云网络环境中协调问题所设计的改进的混合进化算法，以及针对大规模云网络环境协调问题所重新设计的高效启发式算法。
所述系统优化目标单元包含本实施例所解决的主要问题，即云网络环境下服务协调进行时的时延优化与负载优化目标。
如图3所示，本实施例提供的云网络服务协调方法包括：
步骤100：获取用户端产生的服务需求；
步骤200：根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
步骤300：基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体；所述初始种群包括每个目标服务实例到达的目标物理节点以及每个目标服务实例到达目标物理节点所用的时间；所述目标服务实例为需要同时迁移的服务实例；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标。
此步骤具体为：
首先基于启发式搜索算法和目标服务实例，确定初始种群；其次基于优化目标和遗传算法，确定最优个体。
基于生物的遗传进化(GE)算法是解决各类优化问题的有效算法之一，其基本思想是模拟自然界优胜劣汰的进化现象，把搜索空间映射为个体种群的遗传空间，把可能的解编码成一个向量——种群个体。在GE算法的基础上，本实施例设计了一种改进混合遗传进化算法并应用至服务协调模块中，详细过程如图4所示。该算法的核心是遗传和变异。遗传过程指个体在种群之间的保留，决定局部寻优能力。个体遗传过程是由概率决定的，交叉和变异模仿突发事件造成的变化，影响的是全局搜索能力，也是根据概率操作的。
种群进化初期，设计种群个体的适应度函数以实现种群优胜略汰的规则。对于云网络环境的服务协调问题，算法适应度函数表示如下：
f(Xq,g)＝Og+δ*S(Xq,g),
其中：
Xq,g表示第g次迭代第q个个体；
f(Xq,g)表示第g次迭代第q个个体的适应度函数；
S(Xq,g)是第g次迭代第q个个体的罚函数；
链路传输时延：(D是链路的传输时延，x，y是决策变量)
节点处理时延：(
表示服务请求rμ在服务实例mi′上的处理时延)。
总时延：Dμ＝Tμ+Pμ
节点和链路资源消耗量：
节点和链路负载方差：
其中，N是网络中的节点个数，E是链路数目，ni是网络中第i个节点，ej是网络中第j条链路。
网络负载情况：
时延、负载的变化情况：
ΔL′(t)＝L(t)-L(t-1)
其中，ru是接入网络的第u个服务请求，Rmig表示网络中待迁移的服务实例集合。
目标函数：min:O(t)＝α1ΔD(t)+α2ΔL(t)。
当目标
的剩余资源小于待迁移的服务实例的资源需求时，这部分的值将大于0，起惩罚作用。通过将惩罚因子δ设置为一个较大值，就可以较容易地确定单个个体解决方案的有效性。
根据个体在种群中的适应度，使用轮盘赌方法选择遗传到下一代的个体，选择个体概率表示如下：
其中，p(Xq,g)表示第g次迭代第q个个体的选择概率，Q表示个体总数，Fg表示生物种群矩阵。
算法采用自适应交叉和变异概率来保持种群的多样性和收敛性。个体的自适应交叉概率pc和变异概率pm随候选解的适应度值变化而变化。具有良好适应度的单个解决方案被遗传，而具有较差适应度的单个解决方案被破坏并重组。交叉和变异概率表示为：
其中，fmax和favg表示种群的最大适应度和平均适应度。f和f'分别表示两个交叉个体中较大的适应度值和变异个体的适应度值；k1，k2，k3，k4取值0.5，0.5，1，1，Pc交叉概率，Pm变异概率。
一般来说，GE算法作为一种全局概率搜索算法，经历了一个完整的迭代过程后，计算结果通常要优于一般的启发式算法。而进化算法的时间复杂度与种群迭代次数密切相关。为了实现更高的执行效率，需要增加种群迭代的收敛性。对于约束较多的云网络服务协调问题，传统GE算法也存在一些缺点：随机生成的方式会使种群在初始化时生成大量无效个体，增加了GE算法后续迭代的复杂性。此外，算法的适应度函数以最基本的节点资源约束作为惩罚函数，在种群进化过程中(交叉和变异操作)不可避免地会产生一些适应度值低的无效个体解。在这些解决方案中，服务实例迁移到目标节点可能会使受影响的服务链违反它们的服务水平协议，如时延约束。因此，本实施例提供改进的混合GE算法引入了启发式搜索算法，最佳拟合递减(BFD)来生成初始种群，并对进化过程中生成的无效个体进行重构，以保证算法的收敛性，提高求解质量。
实施例三
如图5所示，本实施例提供的一种云网络服务协调方法，包括：
步骤400：获取用户端产生的服务需求。
步骤500：根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例。
步骤600：基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标。
此步骤具体包括：
确定目标服务实例的迁移优先级；
获取迁移候选目标物理节点集合；
基于所述迁移优先级、所述迁移候选目标物理节点集合和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
图6为本发明实施例提供的迁移优先级算法流程图。尽管服务协调模块中的进化算法可以实现几乎最优的服务协调决策，但它在大规模网络下也会造成巨大的计算开销。为了减少计算复杂度，针对大规模网络下的服务协调决策问题，本实施例提供了一个多目标优化算法作为备选方案并集成到云网络系统中的服务协调模块上，如图6所示。该算法的核心思想基于以下三个阶段的策略。
1.确定服务实例的迁移优先级。由于云网络系统中存在多个需要同时迁移的服务实例，此时应该优先迁移高优先级的服务实例，这种服务实例通常被更多的用户服务请求共享使用。而且，由于同一个用户服务请求上的服务实例不会重复，因此这些实例不会映射到相同的节点上。服务实例优先级表示如下：
其中，
是服务类型，rμ表示整体服务，R是网络服务集合。Fu是服务ru的服务集合。
2.获取迁移候选节点集合。因为只有当服务实例的所有资源需求不超过目标节点的剩余资源时，才能迁移服务实例到该节点上。因此，当满足以下条件时，
可以被选为服务实例的候选节点，
3.计算最小影响。考虑每个候选节点作为服务实例迁移的一个潜在解决方案，受服务实例迁移影响的服务请求数据流会选择剩余带宽最大的转发路径。计算得到迁移后每个解的时延影响和负载平衡影响，为了保证目标具有相似的数量级，对两个数组归一化表示，如下，
其中，D是时延、L是方差、参数α为函数的权重，α1和α2分别表示时延和负载的权重大小，可以量化系统对优化目标的侧重程度，当α1＝1，α2＝0是对时延进行单目标优化。本实施例可通过权重因子对优化的偏好进行有效调节。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种云网络服务协调系统，其特征在于，包括：
服务接入模块，用于获取用户端产生的服务需求；
服务协调模块，用于：
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体；所述初始种群包括每个目标服务实例到达的目标物理节点以及每个目标服务实例到达目标物理节点所用的时间；所述目标服务实例为需要同时迁移的服务实例；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标；
或者，基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
2.根据权利要求1所述的一种云网络服务协调系统，其特征在于，还包括：
计算资源模块，至少用于提供优化算法；所述优化算法包括启发式遗传算法和迁移优先级算法。
3.根据权利要求2所述的一种云网络服务协调系统，其特征在于，所述计算资源模块由硬件层、虚拟化层、虚拟资源层共同构建；所述硬件层为底层通用硬件设备，所述硬件层用于提供计算资源、网络资源和存储资源；所述虚拟化层用于对所述硬件层的资源进行抽象，形成对应的虚拟资源；所述虚拟资源层用于存储所述虚拟化层抽象出来的各种虚拟资源。
4.根据权利要求1所述的一种云网络服务协调系统，其特征在于，还包括：
服务管理模块，用于提供云网络环境的服务管理功能；所述服务管理功能包括管理服务实例生命周期功能、协调计算资源模块上的各类资源功能和调用服务协调模块响应功能。
5.根据权利要求1所述的一种云网络服务协调系统，其特征在于，在所述基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体方面，所述服务协调模块，用于：
基于启发式搜索算法和目标服务实例，确定初始种群；
基于优化目标和遗传算法，确定最优个体。
6.根据权利要求1所述的一种云网络服务协调系统，其特征在于，在所述基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间方面，所述服务协调模块，用于：
确定目标服务实例的迁移优先级；
获取迁移候选目标物理节点集合；
基于所述迁移优先级、所述迁移候选目标物理节点集合和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
7.一种云网络服务协调方法，其特征在于，包括：
获取用户端产生的服务需求；
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体；所述初始种群包括每个目标服务实例到达的目标物理节点以及每个目标服务实例到达目标物理节点所用的时间；所述目标服务实例为需要同时迁移的服务实例；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标。
8.根据权利要求7所述一种云网络服务协调方法，其特征在于，所述基于目标服务实例，确定初始种群，并基于优化目标和优化算法，确定最优个体，具体包括：
基于启发式搜索算法和目标服务实例，确定初始种群；
基于优化目标和遗传算法，确定最优个体。
9.一种云网络服务协调方法，其特征在于，包括：
获取用户端产生的服务需求；
根据所述用户端产生的服务需求，确定多个需要同时迁移的服务实例；
基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间；所述优化目标是最小化所有服务请求时延影响并保证服务重构后的网络负载均衡的目标。
10.根据权利要求9所述一种云网络服务协调方法，其特征在于，所述基于目标服务实例和优化目标，采用迁移优先级算法，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间方面，具体包括：
确定目标服务实例的迁移优先级；
获取迁移候选目标物理节点集合；
基于所述迁移优先级、所述迁移候选目标物理节点集合和优化目标，确定每个目标服务实例到达的最终目标物理节点以及每个目标服务实例到达最终目标物理节点所用的时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210677839.3A CN115086323A (zh) | 2022-06-15 | 2022-06-15 | 一种云网络服务协调系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210677839.3A CN115086323A (zh) | 2022-06-15 | 2022-06-15 | 一种云网络服务协调系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115086323A true CN115086323A (zh) | 2022-09-20 |
Family
ID=83254279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210677839.3A Pending CN115086323A (zh) | 2022-06-15 | 2022-06-15 | 一种云网络服务协调系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115086323A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105743985A (zh) * | 2016-03-24 | 2016-07-06 | 国家计算机网络与信息安全管理中心 | 一种基于模糊逻辑的虚拟服务迁移方法 |
| CN112737854A (zh) * | 2020-12-30 | 2021-04-30 | 国网河南省电力公司信息通信公司 | 一种基于能耗和服务质量的服务链迁移方法及装置 |
-
2022
- 2022-06-15 CN CN202210677839.3A patent/CN115086323A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105743985A (zh) * | 2016-03-24 | 2016-07-06 | 国家计算机网络与信息安全管理中心 | 一种基于模糊逻辑的虚拟服务迁移方法 |
| CN112737854A (zh) * | 2020-12-30 | 2021-04-30 | 国网河南省电力公司信息通信公司 | 一种基于能耗和服务质量的服务链迁移方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| BIYI LI; BO CHENG: "Joint Resource Optimization and Delay-Aware Virtual Network Function Migration in Data Center Networks", IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT, pages 1 - 15 * |
| 唐伦: "基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法", 中国优秀硕士论文电子期刊网 * |
| 宁越强: "面向云数据中心网络的服务功能链部署研究", 中国优秀硕士论文电子期刊网 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | NFVdeep: Adaptive online service function chain deployment with deep reinforcement learning | |
| Rankothge et al. | Optimizing resource allocation for virtualized network functions in a cloud center using genetic algorithms | |
| Liu et al. | Job scheduling model for cloud computing based on multi-objective genetic algorithm | |
| CN108322333B (zh) | 一种基于遗传算法的虚拟网络功能的放置方法 | |
| CN105704255B (zh) | 一种基于遗传算法的服务器负载均衡方法 | |
| Rankothge et al. | Experimental results on the use of genetic algorithms for scaling virtualized network functions | |
| Jalali Moghaddam et al. | Minimizing virtual machine migration probability in cloud computing environments | |
| CN102622275A (zh) | 一种云计算环境下负载均衡实现方法 | |
| CN117997906B (zh) | 节点计算资源分配方法、网络交换子系统及智能计算平台 | |
| ABDULKAREEM et al. | OPTIMIZATION OF LOAD BALANCING ALGORITHMS TO DEAL WITH DDOS ATTACKS USING WHALE OPTIMIZATION ALGORITHM | |
| Idrissi et al. | A new approach for a better load balancing and a better distribution of resources in cloud computing | |
| CN113032149B (zh) | 基于演化博弈的边缘计算服务放置和请求分配方法及系统 | |
| CN116107692A (zh) | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 | |
| Rajabzadeh et al. | New comprehensive model based on virtual clusters and absorbing Markov chains for energy-efficient virtual machine management in cloud computing | |
| Lin et al. | Column generation based service function chaining embedding in multi-domain networks | |
| CN115237580A (zh) | 面向智能计算的流水并行训练自适应调整系统、方法 | |
| Al-Tarawneh et al. | Adaptive user-oriented fuzzy-based service broker for cloud services | |
| Çavdar et al. | A Utilization Based Genetic Algorithm for virtual machine placement in cloud systems | |
| Kar et al. | Cost optimization of omnidirectional offloading in two-tier cloud–edge federated systems | |
| Manavi et al. | Resource allocation in cloud computing using genetic algorithm and neural network | |
| Billingsley et al. | Parallel algorithms for the multiobjective virtual network function placement problem | |
| CN108650191A (zh) | 一种虚拟化网络中映射策略的决策方法 | |
| CN115086323A (zh) | 一种云网络服务协调系统及方法 | |
| Zhou et al. | Balancing load: An adaptive traffic management scheme for microservices | |
| CN115190121B (zh) | 基于跨地域的微服务过量负载调度系统、方法及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220920 |
|
| RJ01 | Rejection of invention patent application after publication |