CN115361299A - 低时延边缘计算服务功能链部署方法、系统、设备及存储介质 - Google Patents

低时延边缘计算服务功能链部署方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN115361299A
CN115361299A CN202210882806.2A CN202210882806A CN115361299A CN 115361299 A CN115361299 A CN 115361299A CN 202210882806 A CN202210882806 A CN 202210882806A CN 115361299 A CN115361299 A CN 115361299A
Authority
CN
China
Prior art keywords
function chain
service function
service
delay
quantum
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
Application number
CN202210882806.2A
Other languages
English (en)
Other versions
CN115361299B (zh
Inventor
王丰
陈嘉亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210882806.2A priority Critical patent/CN115361299B/zh
Publication of CN115361299A publication Critical patent/CN115361299A/zh
Application granted granted Critical
Publication of CN115361299B publication Critical patent/CN115361299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了低时延边缘计算服务功能链部署方法、系统、设备及存储介质，方法包括：初始化底层网络拓扑信息，输入服务功能链SFC请求；构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解；采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。本发明利用改进量子遗传算法对单目标优化问题进行求解，提高算法全局搜索能力的同时，通过种群间的进化交叉互动，从而获取新的进化信息，使种群始终朝着最优解集进化，并且利用量子灾变技术摆脱局部最优解，降低SFC的部署时延，提高边缘网络系统的性能。

Description

低时延边缘计算服务功能链部署方法、系统、设备及存储介质
技术领域
本发明涉及边缘通信、网络功能虚拟化以及软件定义网络的技术领域，尤其涉及到一种低时延边缘计算服务功能链部署方法、系统、设备及存储介质。
背景技术
随着流媒体、视频直播、在线游戏等新型应用业务的涌现，当前网络流量呈指数级别增长。同时，物联网技术和移动智能设备的发展，海量设备接入网络，万物互联智联时代正在开启。为此，运营商不得不部署大量昂贵的专用网络设备来提供对应的服务。在传统网络中，网络功能是基于各种专用硬件来实现的。而在部署新的网络服务时，电信服务提供商需要部署许多专有设备，这既昂贵又耗时。此外，随着业务复杂性的增加，一旦服务部署完成后，后续的服务更新升级就受到一定的阻碍，电信服务提供商必须维护更多的网络设备，从而导致高额的资本支出和运营费用。同时，这些专用硬件也带来了诸多不便，例如，开发成本和维护成本高昂，扩展兼容性差，生命周期短，严重阻碍了网络新业务的开发，并可能无法满足未来高速通信及低延时移动边缘计算的要求。基于上述原因，在当前环境的背景下，提出了网络功能虚拟化。
网络功能虚拟化(Network function virtualization,NFV)和移动边缘计算(Mobile edge computing,MEC)是解决上述问题的关键技术。网络功能虚拟化NFV，将MEC应用程序与底层物理基础设施解耦，通过虚拟化网络功能以实现网络需求服务，从而有效增强灵活性、可扩展性和成本节约等优势。此外，网络需求服务通常配置VNF的有序组合，称为服务功能链(Service Function Chains,SFC)。
近年来，移动用户对延迟敏感的应用程序和服务的需求激增，例如增强现实、自动驾驶汽车、无人机通信和超低延迟视频流等。针对这种需求，利用边缘网络资源的技术架构已经出现，以提供更接近用户设备的网络服务。出于技术原因，在边缘核心网络中提供低延迟服务很容易出现由网络动态引起的网络拥塞和计算资源争用。因此，克服这些问题需要能够适应低网络时延要求的SFC部署机制。
特别的，MEC应用程序具有严格的服务低延迟要求。然而，NFV中使用的大多数放置算法旨在降低部署成本、提高用户服务质量、确保服务可用性等，而忽略了MEC应用程序在低延迟方面的限制。
发明内容
本发明的目的在于克服现有技术的不足，提供一种低时延边缘计算服务功能链部署方法。
为实现上述目的，本发明所提供的技术方案为：
一种低时延边缘计算服务功能链部署方法，包括：
初始化底层网络拓扑信息，涵盖各物理节点和链路信息，输入服务功能链SFC请求；
根据初始化的底层网络拓扑信息和服务功能链SFC请求，构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；
通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解，得到最优的服务功能链服务时延；
采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。
进一步地，服务功能链服务时延优化模型的目标函数如下：
Figure BDA0003764852800000021
同时考虑服务功能链的处理时延和传输时延，其中，Du,v为传输时延，Dvi为处理时延；
约束条件如下：
C1:
Figure BDA0003764852800000031
C2:
Figure BDA0003764852800000032
C3:
Figure BDA0003764852800000033
C4:
Figure BDA0003764852800000034
C5:
Figure BDA0003764852800000035
C6:
Figure BDA0003764852800000036
其中，
N表示物理节点集合，E表示物理链路集合，每个物理节点均可虚拟化成多个服务器，运行不同类型的VNF；Cn表示每个物理节点n∈N的节点计算容量；lu,v表示节点nu与nv之间的链路；Bu,v为链路lu,v最大可用带宽资源；λi为数据流改变因子；
Figure BDA0003764852800000038
表示发送的数据包长度；
C1表示任意SFC上的VNF均只能放在一个底层物理节点上；C2表示每条物理链路只能被映射一次相同的SFC虚拟链路；C3表示当前SFC中的VNF占用的资源不能超过该物理节点的最大闲置资源；C4表示链路的闲置带宽资源大于映射链路所需的带宽，
Figure BDA0003764852800000037
表示是否将虚拟链路映射至物理链路的离散变量，当值为1时将虚拟链路映射至物理链路；C5表示边缘网络中通信的最低时延约束；C6表示路径约束条件，除了源节点和目的节点之外，流进中间节点的链路数量等于流出中间节点的链路数量。
进一步地，考虑每个网络服务具有特定要求的数据流，记从源节点传输到目的节点的传输时延为：
Figure BDA0003764852800000041
其中，ru,v表示有线链路传输速率，
Figure BDA0003764852800000042
表示发送的数据包长度。
进一步地，采用双基因链编码方法，将SFC部署和VNF映射进行混合编码，通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解。
进一步地，求解服务功能链服务时延优化模型的具体过程包括：
A1、输入底层边缘网络拓扑信息、服务功能链SFC请求的染色体，初始化种群Q(t0)，将初始进化代数设置为t＝0，设置遗传进化最大代数Tmax；
A2、利用量子比特编码生成SFC部署和VNF映射方案的双基因链个体，对种群Q(t0)中的每个个体进行一次测量，得到对应的确定性解方案P(t0)；
A3、判断测量后的种群个体是否符合服务功能链服务时延优化模型的约束条件，若满足，则继续进行下一步骤；若不满足，则将该个体的适应度数值设置为0，跳转步骤A5；
A4、对确定解进行适应度评估，计算种群个体的适应度；
A5、保留当前SFC部署和VNF映射方案的最优个体及其适应度；
A6、判断t是否大于Tmax，若是，则终止算法，输出最优方案，否则继续执行下一步骤；
A7、动态调整旋转角，利用量子旋转门U(t)对个体实施调整进化方向，由预设阈值c选择不同的量子变异策略，得到新的种群Q(t+1)；
A8、依据互换概率，利用量子交叉，互换个体的最优确定解和最优适应度值，实现个体间的信息互换，获取新的进化信息；
A9、判断是否满足量子灾变条件，若是，对种群中部分个体施加震荡，重新随机生成部分个体，t＝t+1，并返回步骤A2，否则，t＝t+1，直接返回步骤A2。
进一步地，步骤A7包括：
每个染色体有多个量子比特位的叠加态表示，运用量子比特位表示相关基因的信息，具有n个基因位的染色体表示为：
Figure BDA0003764852800000051
其中，
Figure BDA0003764852800000052
使用量子旋转门来更新个体，以获得新的种群，矩阵表示形式为：
Figure BDA0003764852800000053
Figure BDA0003764852800000054
其中，U(θi)为量子旋转门，X*为新的具有n个基因位的染色体；
量子变异策略为量子非门变异策略与Hadamard门变异策略相结合，由预设阈值c选择不同的量子变异策略包括：
判断是否满足如下约束条件：
Figure BDA0003764852800000055
Fmax当代种群中最优个体适应度值，Favg为种群所有个体适应度平均值；
若该约束条件满足，使用量子非门变异策略；量子非门变异表示：与变异前的量子比特位相比，变异后的每个量子比特位交换了基本态|0>和|1>的振幅，达到变异的效果；
若该约束条件不满足，使用Hadamard门变异策略，利用哈达玛门作为变异算子，微调量子变异旋转角；哈达玛门对量子比特的状态做基底的变换，进行基底{|0>,|1>}与{|+>,|->}间相互转换。
进一步地，将服务功能链服务时延作为种群个体的适应度值，计算公式如下：
Figure BDA0003764852800000056
其中，Du,v和
Figure BDA0003764852800000057
分别为服务功能链的处理时延和传输时延，当个体的适应度值越大时，目标函数的时延值越小。
为实现上述目的，本发明另外提供一种低时延边缘计算服务功能链部署系统，包括：
初始化模块，用于初始化底层网络拓扑信息；
输入模块，用于输入服务功能链SFC请求；
服务功能链服务时延优化模型构建模块，用于根据初始化的底层网络拓扑信息和服务功能链SFC请求，构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；
服务功能链服务时延优化模型的目标函数如下：
Figure BDA0003764852800000061
同时考虑服务功能链的处理时延和传输时延，其中，Du,v为传输时延，
Figure BDA0003764852800000062
为处理时延；
约束条件如下：
C1:
Figure BDA0003764852800000063
C2:
Figure BDA0003764852800000064
C3:
Figure BDA0003764852800000065
C4:
Figure BDA0003764852800000066
C5:
Figure BDA0003764852800000067
C6:
Figure BDA0003764852800000068
其中，
N表示物理节点集合，E表示物理链路集合，每个物理节点均可虚拟化成多个服务器，运行不同类型的VNF；Cn表示每个物理节点n∈N的节点计算容量；lu,v表示节点nu与nv之间的链路；Bu,v为链路lu,v最大可用带宽资源；λi为数据流改变因子；
Figure BDA0003764852800000072
表示发送的数据包长度；
C1表示任意SFC上的VNF均只能放在一个底层物理节点上；C2表示每条物理链路只能被映射一次相同的SFC虚拟链路；C3表示当前SFC中的VNF占用的资源不能超过该物理节点的最大闲置资源；C4表示链路的闲置带宽资源大于映射链路所需的带宽，
Figure BDA0003764852800000071
表示是否将虚拟链路映射至物理链路的离散变量，当值为1时将虚拟链路映射至物理链路；C5表示边缘网络中通信的最低时延约束；C6表示路径约束条件，除了源节点和目的节点之外，流进中间节点的链路数量等于流出中间节点的链路数量；
求解模块，用于通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解，得到最优的服务功能链服务时延；
部署模块，用于采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。
为实现上述目的，本发明另外提供一种电子设备，所述电子设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述的低时延边缘计算服务功能链部署方法。
为实现上述目的，本发明另外提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述的低时延边缘计算服务功能链部署方法。
与现有技术相比，本方案原理及优点如下：
在边缘网络服务功能链部署场景中，本方案利用改进量子遗传算法对单目标优化问题进行求解，提高算法全局搜索能力的同时，通过种群间的进化交叉互动，从而获取新的进化信息，使种群始终朝着最优解集进化，并且利用量子灾变技术摆脱局部最优解，降低SFC的部署时延，提高边缘网络系统的性能。
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服务作简单地介绍，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为本发明一种低时延边缘计算服务功能链部署方法的原理流程图；
图2为本发明一种低时延边缘计算服务功能链部署系统的连接框图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种低时延边缘计算服务功能链部署方法，包括以下步骤：
S1、初始化底层网络拓扑信息，涵盖各物理节点和链路信息，输入服务功能链SFC请求；
S2、根据初始化的底层网络拓扑信息和服务功能链SFC请求，构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；
本步骤中，服务功能链服务时延优化模型的目标函数如下：
Figure BDA0003764852800000081
同时考虑服务功能链的处理时延和传输时延，其中，Du,v为传输时延，
Figure BDA0003764852800000082
为处理时延；
进一步地，考虑每个网络服务具有特定要求的数据流，记从源节点传输到目的节点的传输时延为：
Figure BDA0003764852800000083
ru,v表示有线链路传输速率，
Figure BDA0003764852800000098
表示发送的数据包长度；
约束条件如下：
C1:
Figure BDA0003764852800000091
C2:
Figure BDA0003764852800000092
C3:
Figure BDA0003764852800000093
C4:
Figure BDA0003764852800000094
C5:
Figure BDA0003764852800000095
C6:
Figure BDA0003764852800000096
其中，
物理网络用无向图G＝(N,E)表示，N表示物理节点集合，E表示物理链路集合，每个物理节点均可虚拟化成多个服务器，运行不同类型的VNF；Cn表示每个物理节点n∈N的节点计算容量；lu,v表示节点nu与nv之间的链路；Bu,v为链路lu,v最大可用带宽资源；λi为数据流改变因子；
Figure BDA0003764852800000099
表示发送的数据包长度；
C1表示任意SFC上的VNF均只能放在一个底层物理节点上；C2表示每条物理链路只能被映射一次相同的SFC虚拟链路；C3表示当前SFC中的VNF占用的资源不能超过该物理节点的最大闲置资源；C4表示链路的闲置带宽资源大于映射链路所需的带宽，
Figure BDA0003764852800000097
表示是否将虚拟链路映射至物理链路的离散变量，当值为1时将虚拟链路映射至物理链路；C5表示边缘网络中通信的最低时延约束；C6表示路径约束条件，除了源节点和目的节点之外，流进中间节点的链路数量等于流出中间节点的链路数量。
网络服务部署成本开销分为两部分，即是节点部署资源成本和映射成本，表示为
Figure BDA0003764852800000101
ωr为节点部署资源成本占网络服务的部署开销权重，
Figure BDA0003764852800000102
是VNFvi所消耗的计算资源，而τhop为起始端点到目标节点之间的跳数。
本实施例通过对
Figure BDA0003764852800000103
进行约束，从而兼顾面向边缘网络下服务功能链部署时的成本开销。
S3、采用双基因链编码方法，将SFC部署和VNF映射进行混合编码，通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解，得到最优的服务功能链服务时延；
求解的具体过程包括：
A1、输入底层边缘网络拓扑信息、SFC部署和VNF映射方案的染色体，初始化种群Q(t0)，将初始进化代数设置为t＝0，设置遗传进化最大代数Tmax；
A2、利用量子比特编码生成SFC部署和VNF映射方案的双基因链个体，对种群Q(t0)中的每个个体进行一次测量，得到对应的确定性解方案P(t0)；
A3、判断测量后的种群个体是否符合服务功能链服务时延优化模型的约束条件，若满足，则继续进行下一步骤；若不满足，则将该个体的适应度数值设置为0，跳转步骤A5；
A4、将服务功能链服务时延作为种群个体的适应度值，对确定解进行适应度评估，计算种群个体的适应度；
适应度计算公式如下：
Figure BDA0003764852800000104
当个体的适应度值越大时，目标函数的时延值越小；
A5、保留当前SFC部署和VNF映射方案的最优个体及其适应度；
A6、判断t是否大于Tmax，若是，则终止算法，输出最优方案，否则继续执行下一步骤；
A7、动态调整旋转角，利用量子旋转门U(t)对个体实施调整进化方向，由预设阈值c选择不同的量子变异策略，得到新的种群Q(t+1)；
本步骤中，
每个染色体有多个量子比特位的叠加态表示，运用量子比特位表示相关基因的信息，具有n个基因位的染色体表示为：
Figure BDA0003764852800000111
其中，
Figure BDA0003764852800000112
使用量子旋转门来更新个体，以获得新的种群，矩阵表示形式为：
Figure BDA0003764852800000113
Figure BDA0003764852800000114
其中，U(θi)为量子旋转门，X*为新的具有n个基因位的染色体；
量子变异策略为量子非门变异策略与Hadamard门变异策略相结合，由预设阈值c选择不同的量子变异策略包括：
判断是否满足如下约束条件：
Figure BDA0003764852800000115
Fmax当代种群中最优个体适应度值，Favg为种群所有个体适应度平均值；
若该约束条件满足，使用量子非门变异策略；量子非门变异表示：与变异前的量子比特位相比，变异后的每个量子比特位交换了基本态|0>和|1>的振幅，达到变异的效果；
若该约束条件不满足，使用Hadamard门变异策略，利用哈达玛门作为变异算子，微调量子变异旋转角；哈达玛门对量子比特的状态做基底的变换，进行基底{|0>,|1>}与{|+>,|->}间相互转换。
A8、依据互换概率，利用量子交叉，互换个体的最优确定解和最优适应度值，实现个体间的信息互换，获取新的进化信息；
A9、判断是否满足量子灾变条件，若是，对种群中部分个体施加震荡，重新随机生成部分个体，t＝t+1，并返回步骤A2，否则，t＝t+1，直接返回步骤A2。
S4、采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。
进一步地，本实施例还包括一种低时延边缘计算服务功能链部署系统，如图2所示，其包括：
初始化模块，用于初始化底层网络拓扑信息；
输入模块，用于输入服务功能链SFC请求；
服务功能链服务时延优化模型构建模块，用于根据初始化的底层网络拓扑信息和服务功能链SFC请求，构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；
服务功能链服务时延优化模型的目标函数如下：
Figure BDA0003764852800000121
同时考虑服务功能链的处理时延和传输时延，其中，Du,v为传输时延，
Figure BDA0003764852800000122
为处理时延；
约束条件如下：
C1:
Figure BDA0003764852800000123
C2:
Figure BDA0003764852800000124
C3:
Figure BDA0003764852800000125
C4:
Figure BDA0003764852800000131
C5:
Figure BDA0003764852800000132
C6:
Figure BDA0003764852800000133
其中，
N表示物理节点集合，E表示物理链路集合，每个物理节点均可虚拟化成多个服务器，运行不同类型的VNF；Cn表示每个物理节点n∈N的节点计算容量；lu,v表示节点nu与nv之间的链路；Bu,v为链路lu,v最大可用带宽资源；λi为数据流改变因子；
Figure BDA0003764852800000135
表示发送的数据包长度；
C1表示任意SFC上的VNF均只能放在一个底层物理节点上；C2表示每条物理链路只能被映射一次相同的SFC虚拟链路；C3表示当前SFC中的VNF占用的资源不能超过该物理节点的最大闲置资源；C4表示链路的闲置带宽资源大于映射链路所需的带宽，
Figure BDA0003764852800000134
表示是否将虚拟链路映射至物理链路的离散变量，当值为1时将虚拟链路映射至物理链路；C5表示边缘网络中通信的最低时延约束；C6表示路径约束条件，除了源节点和目的节点之外，流进中间节点的链路数量等于流出中间节点的链路数量；
求解模块，用于通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解，得到最优的服务功能链服务时延；
部署模块，用于采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。
进一步地，本实施例还包括一种电子设备，所述电子设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述的低时延边缘计算服务功能链部署方法。
进一步地，本实施例还包括一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述的低时延边缘计算服务功能链部署方法。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (10)

1.一种低时延边缘计算服务功能链部署方法，其特征在于，包括：
初始化底层网络拓扑信息，涵盖各物理节点和链路信息，输入服务功能链SFC请求；
根据初始化的底层网络拓扑信息和服务功能链SFC请求，构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；
通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解，得到最优的服务功能链服务时延；
采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。
2.根据权利要求1所述的一种低时延边缘计算服务功能链部署方法，其特征在于，服务功能链服务时延优化模型的目标函数如下：
Figure FDA0003764852790000011
同时考虑服务功能链的处理时延和传输时延，其中，Du,v为传输时延，
Figure FDA0003764852790000012
为处理时延；
约束条件如下：
Figure FDA0003764852790000013
Figure FDA0003764852790000014
Figure FDA0003764852790000015
Figure FDA0003764852790000016
Figure FDA0003764852790000017
Figure FDA0003764852790000021
其中，
N表示物理节点集合，E表示物理链路集合，每个物理节点均可虚拟化成多个服务器，运行不同类型的VNF；Cn表示每个物理节点n∈N的节点计算容量；lu,v表示节点nu与nv之间的链路；Bu,v为链路lu,v最大可用带宽资源；λi为数据流改变因子；lin表示发送的数据包长度；
C1表示任意SFC上的VNF均只能放在一个底层物理节点上；C2表示每条物理链路只能被映射一次相同的SFC虚拟链路；C3表示当前SFC中的VNF占用的资源不能超过该物理节点的最大闲置资源；C4表示链路的闲置带宽资源大于映射链路所需的带宽，
Figure FDA0003764852790000022
表示是否将虚拟链路映射至物理链路的离散变量，当值为1时将虚拟链路映射至物理链路；C5表示边缘网络中通信的最低时延约束；C6表示路径约束条件，除了源节点和目的节点之外，流进中间节点的链路数量等于流出中间节点的链路数量。
3.根据权利要求2所述的一种低时延边缘计算服务功能链部署方法，其特征在于，考虑每个网络服务具有特定要求的数据流，记从源节点传输到目的节点的传输时延为：
Figure FDA0003764852790000023
其中，ru,v表示有线链路传输速率，lin表示发送的数据包长度。
4.根据权利要求2所述的一种低时延边缘计算服务功能链部署方法，其特征在于，采用双基因链编码方法，将SFC部署和VNF映射进行混合编码，通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解。
5.根据权利要求4所述的一种低时延边缘计算服务功能链部署方法，其特征在于，求解服务功能链服务时延优化模型的具体过程包括：
A1、输入底层边缘网络拓扑信息、服务功能链SFC请求的染色体，初始化种群Q(t0)，将初始进化代数设置为t＝0，设置遗传进化最大代数Tmax；
A2、利用量子比特编码生成SFC部署和VNF映射方案的双基因链个体，对种群Q(t0)中的每个个体进行一次测量，得到对应的确定性解方案P(t0)；
A3、判断测量后的种群个体是否符合服务功能链服务时延优化模型的约束条件，若满足，则继续进行下一步骤；若不满足，则将该个体的适应度数值设置为0，跳转步骤A5；
A4、对确定解进行适应度评估，计算种群个体的适应度；
A5、保留当前SFC部署和VNF映射方案的最优个体及其适应度；
A6、判断t是否大于Tmax，若是，则终止算法，输出最优方案，否则继续执行下一步骤；
A7、动态调整旋转角，利用量子旋转门U(t)对个体实施调整进化方向，由预设阈值c选择不同的量子变异策略，得到新的种群Q(t+1)；
A8、依据互换概率，利用量子交叉，互换个体的最优确定解和最优适应度值，实现个体间的信息互换，获取新的进化信息；
A9、判断是否满足量子灾变条件，若是，对种群中部分个体施加震荡，重新随机生成部分个体，t＝t+1，并返回步骤A2，否则，t＝t+1，直接返回步骤A2。
6.根据权利要求5所述的一种低时延边缘计算服务功能链部署方法，其特征在于，步骤A7包括：
每个染色体有多个量子比特位的叠加态表示，运用量子比特位表示相关基因的信息，具有n个基因位的染色体表示为：
Figure FDA0003764852790000031
其中，
Figure FDA0003764852790000032
使用量子旋转门来更新个体，以获得新的种群，矩阵表示形式为：
Figure FDA0003764852790000041
Figure FDA0003764852790000042
其中，U(θi)为量子旋转门，X*为新的具有n个基因位的染色体；
量子变异策略为量子非门变异策略与Hadamard门变异策略相结合，由预设阈值c选择不同的量子变异策略包括：
判断是否满足如下约束条件：
Figure FDA0003764852790000043
Fmax当代种群中最优个体适应度值，Favg为种群所有个体适应度平均值；
若该约束条件满足，使用量子非门变异策略；量子非门变异表示：与变异前的量子比特位相比，变异后的每个量子比特位交换了基本态|0>和|1>的振幅，达到变异的效果；
若该约束条件不满足，使用Hadamard门变异策略，利用哈达玛门作为变异算子，微调量子变异旋转角；哈达玛门对量子比特的状态做基底的变换，进行基底{|0>,|1>}与{|+>,|->}间相互转换。
7.根据权利要求5或6所述的一种低时延边缘计算服务功能链部署方法，其特征在于，将服务功能链服务时延作为种群个体的适应度值，计算公式如下：
Figure FDA0003764852790000044
其中，Du,v和
Figure FDA0003764852790000045
分别为服务功能链的处理时延和传输时延，当个体的适应度值越大时，目标函数的时延值越小。
8.一种低时延边缘计算服务功能链部署系统，其特征在于，包括：
初始化模块，用于初始化底层网络拓扑信息；
输入模块，用于输入服务功能链SFC请求；
服务功能链服务时延优化模型构建模块，用于根据初始化的底层网络拓扑信息和服务功能链SFC请求，构建兼顾面向边缘网络下服务功能链部署时成本开销的同时优化服务功能链服务时延的服务功能链服务时延优化模型；
服务功能链服务时延优化模型的目标函数如下：
Figure FDA0003764852790000051
同时考虑服务功能链的处理时延和传输时延，其中，Du,v为传输时延，
Figure FDA0003764852790000052
为处理时延；
约束条件如下：
Figure FDA0003764852790000053
Figure FDA0003764852790000054
Figure FDA0003764852790000055
Figure FDA0003764852790000056
Figure FDA0003764852790000057
Figure FDA0003764852790000058
其中，
N表示物理节点集合，E表示物理链路集合，每个物理节点均可虚拟化成多个服务器，运行不同类型的VNF；Cn表示每个物理节点n∈N的节点计算容量；lu,v表示节点nu与nv之间的链路；Bu,v为链路lu,v最大可用带宽资源；λi为数据流改变因子；lin表示发送的数据包长度；
C1表示任意SFC上的VNF均只能放在一个底层物理节点上；C2表示每条物理链路只能被映射一次相同的SFC虚拟链路；C3表示当前SFC中的VNF占用的资源不能超过该物理节点的最大闲置资源；C4表示链路的闲置带宽资源大于映射链路所需的带宽，
Figure FDA0003764852790000061
表示是否将虚拟链路映射至物理链路的离散变量，当值为1时将虚拟链路映射至物理链路；C5表示边缘网络中通信的最低时延约束；C6表示路径约束条件，除了源节点和目的节点之外，流进中间节点的链路数量等于流出中间节点的链路数量；
求解模块，用于通过改进的量子遗传算法对服务功能链服务时延优化模型进行求解，得到最优的服务功能链服务时延；
部署模块，用于采用最优的服务功能链服务时延所对应的方案进行服务功能链部署。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一所述的低时延边缘计算服务功能链部署方法。
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用于存储程序代码,所述程序代码用于执行权利要求1-7任一所述的低时延边缘计算服务功能链部署方法。
CN202210882806.2A 2022-07-26 2022-07-26 低时延边缘计算服务功能链部署方法、系统、设备及存储介质 Active CN115361299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210882806.2A CN115361299B (zh) 2022-07-26 2022-07-26 低时延边缘计算服务功能链部署方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210882806.2A CN115361299B (zh) 2022-07-26 2022-07-26 低时延边缘计算服务功能链部署方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115361299A true CN115361299A (zh) 2022-11-18
CN115361299B CN115361299B (zh) 2023-09-01

Family

ID=84032040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210882806.2A Active CN115361299B (zh) 2022-07-26 2022-07-26 低时延边缘计算服务功能链部署方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115361299B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170079887A (ko) * 2015-12-31 2017-07-10 서강대학교산학협력단 클라우드 환경에서 네트워크 기능 가상화의 서비스 기능 체이닝을 위한 가상 네트워크 기능 배치 및 재구성 방법
CN108134843A (zh) * 2018-01-26 2018-06-08 重庆邮电大学 一种5g-c-ran场景下的服务功能链部署方法
CN110365526A (zh) * 2019-07-09 2019-10-22 国网江苏省电力有限公司南京供电分公司 一种面向节能和QoS保障的VNF部署方法及系统
CN111538570A (zh) * 2020-05-12 2020-08-14 广东电网有限责任公司电力调度控制中心 一种面向节能和QoS保障的VNF部署方法及装置
CN113411207A (zh) * 2021-05-28 2021-09-17 中国人民解放军战略支援部队信息工程大学 智慧网络服务功能链的服务功能流转编排基础平台及方法
US20210311769A1 (en) * 2018-07-30 2021-10-07 Telefonaktiebolaget Lm Ericsson (Publ) Joint placement and chaining of virtual network functions for virtualized systems based on a scalable genetic algorithm
CN113535381A (zh) * 2021-06-08 2021-10-22 广西综合交通大数据研究院 基于改进遗传算法的服务功能链映射方法、装置及设备
CN113708972A (zh) * 2021-08-31 2021-11-26 广东工业大学 一种服务功能链部署方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170079887A (ko) * 2015-12-31 2017-07-10 서강대학교산학협력단 클라우드 환경에서 네트워크 기능 가상화의 서비스 기능 체이닝을 위한 가상 네트워크 기능 배치 및 재구성 방법
CN108134843A (zh) * 2018-01-26 2018-06-08 重庆邮电大学 一种5g-c-ran场景下的服务功能链部署方法
US20210311769A1 (en) * 2018-07-30 2021-10-07 Telefonaktiebolaget Lm Ericsson (Publ) Joint placement and chaining of virtual network functions for virtualized systems based on a scalable genetic algorithm
CN110365526A (zh) * 2019-07-09 2019-10-22 国网江苏省电力有限公司南京供电分公司 一种面向节能和QoS保障的VNF部署方法及系统
CN111538570A (zh) * 2020-05-12 2020-08-14 广东电网有限责任公司电力调度控制中心 一种面向节能和QoS保障的VNF部署方法及装置
CN113411207A (zh) * 2021-05-28 2021-09-17 中国人民解放军战略支援部队信息工程大学 智慧网络服务功能链的服务功能流转编排基础平台及方法
CN113535381A (zh) * 2021-06-08 2021-10-22 广西综合交通大数据研究院 基于改进遗传算法的服务功能链映射方法、装置及设备
CN113708972A (zh) * 2021-08-31 2021-11-26 广东工业大学 一种服务功能链部署方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
乔文欣 等: "空天地协同的边缘云服务功能链动态编排方法", 西安电子科技大学学报, vol. 49, no. 2, pages 79 - 88 *
卢昱 等: "面向软件定义网络的服务功能链优化部署算法研究", 电子与信息学报, vol. 41, no. 1, pages 74 - 82 *

Also Published As

Publication number Publication date
CN115361299B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN110460465B (zh) 面向移动边缘计算的服务功能链部署方法
CN114338504B (zh) 一种基于网络边缘系统的微服务部署和路由方法
CN113708972B (zh) 一种服务功能链部署方法、装置、电子设备及存储介质
CN111130858B (zh) 一种sd-wan场景下的动态多目标虚拟网络映射方法
CN109104373B (zh) 网络拥塞的处理方法、装置及系统
WO2021169308A1 (zh) 一种数据流类型识别模型更新方法及相关设备
CN111538570B (zh) 一种面向节能和QoS保障的VNF部署方法及装置
WO2023024219A1 (zh) 云边协同网络中时延和频谱占用联合优化方法及系统
Alghayadh et al. Ubiquitous learning models for 5G communication network utility maximization through utility-based service function chain deployment
CN115665258B (zh) 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法
CN113573320B (zh) 边缘网络中基于改进的演员-评论家算法的sfc部署方法
Qi et al. Vehicular edge computing via deep reinforcement learning
CN111885493A (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
Ullah et al. Optimizing task offloading and resource allocation in edge-cloud networks: a DRL approach
Hsu et al. Cooperative convolutional neural network deployment over mobile networks
US11936758B1 (en) Efficient parallelization and deployment method of multi-objective service function chain based on CPU + DPU platform
Wang et al. On Jointly optimizing partial offloading and SFC mapping: a cooperative dual-agent deep reinforcement learning approach
CN115361299B (zh) 低时延边缘计算服务功能链部署方法、系统、设备及存储介质
CN117119043A (zh) 一种边缘网络拓扑感知的微服务部署方法
CN116827515A (zh) 一种基于区块链和强化学习的雾计算系统性能优化算法
CN113766540A (zh) 低时延的网络内容传输方法、装置、电子设备及介质
Fan et al. MASCOT: mobility-aware service function chain routing in mobile edge computing
CN112822726B (zh) 一种Fog-RAN网络缓存放置问题的建模和决策方法
Zhou et al. Digital twin-based 3D map management for edge-assisted mobile augmented reality
CN113301134B (zh) 一种适用于边缘物联代理装置的容错型协作决策的方法

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