CN116436782A - 一种体现业务意愿的确定性网络传输方法 - Google Patents

一种体现业务意愿的确定性网络传输方法 Download PDF

Info

Publication number
CN116436782A
CN116436782A CN202310680156.8A CN202310680156A CN116436782A CN 116436782 A CN116436782 A CN 116436782A CN 202310680156 A CN202310680156 A CN 202310680156A CN 116436782 A CN116436782 A CN 116436782A
Authority
CN
China
Prior art keywords
representing
node
network
function
self
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
CN202310680156.8A
Other languages
English (en)
Other versions
CN116436782B (zh
Inventor
汪文勇
张骥
郑成渝
黄大九
邹赛
刘志峰
蒋成
杜自强
苗东
黄鹏声
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.)
China Telecom Corp Ltd Sichuan Branch
Original Assignee
China Telecom Corp Ltd Sichuan Branch
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 China Telecom Corp Ltd Sichuan Branch filed Critical China Telecom Corp Ltd Sichuan Branch
Priority to CN202310680156.8A priority Critical patent/CN116436782B/zh
Publication of CN116436782A publication Critical patent/CN116436782A/zh
Application granted granted Critical
Publication of CN116436782B publication Critical patent/CN116436782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/084—Configuration by using pre-existing information, e.g. using templates or copying from other elements
    • H04L41/0843—Configuration by using pre-existing information, e.g. using templates or copying from other elements based on generic templates
    • 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
    • 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
    • H04L41/0895—Configuration of virtualised networks or elements, e.g. virtualised network function or OpenFlow 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及计算机技术领域，具体的说是一种体现业务意愿的确定性网络传输方法，包括以下步骤：步骤S1：网络需求与切片模板匹配：基于网络需求及网络切片模板库的网络功能、网络资源的特征，构建查找决策树寻找切片；步骤S2：服务功能链的编排：基于步骤1匹配的切片模板及任务的网络切片特性分解，将网络需求分割为子图，通过可解析的动态自适应分级多层注意力机制，从而得到VNF节点嵌入；步骤S3：虚拟化网络资源的组合优化。在自治闭环的基础上通过动态注意力机制来描述跨层跨域编排能力，在体现业务意愿的基础上实现网络切片确定性传输。

Description

一种体现业务意愿的确定性网络传输方法
技术领域
本发明涉及计算机技术领域，具体的说是一种体现业务意愿的确定性网络传输方法。
背景技术
体现业务意愿的确定性网络研究已经成为前沿热点。ONF制定了意图网络架构的标准草案。Gartner发布了基于意愿网络系统所需具备能力报告。思科也发布了《ESG：向基于意愿网络迈进白皮书》。研究体现业务意愿的确定性网络传输方法是关键环节。
现有意愿获取方法都假定存在确定性网络切片的服务配置文件（请求图、概要或者虚拟化网络功能），且配置文件需要包括服务图和附加的服务属性，如防火墙和负载均衡器等各个中间件及各节点链接的边约束（链路带宽、丢包等）。然而，业务应用、网络运营、基础设施三者独立发展。应用日新月异、千差万别，新兴业务的开通时间由过去以年为单位到现在以天或者小时甚至分钟为单位，且业务具有多场景性，同一业务有可能在不同的场景具有完全不同的特性，业务只知道应用的定性需求。这些因素导致业务意愿难以理解。随选网络提供的切片则只包含相关的网络功能、各个网络功能所带的属性、各个属性所消耗的网络资源、各个功能之间的依赖关系、切片所服务的场景等；基础设施具有多模态性，同一设施在虚拟化后可以组装成不同的虚拟化网络功能。这需要在深入理解业务意愿与网络切片的关联机制，通过编排网络切片来实现确定性传输。
现有方法先从切片的模板库中匹配合适的模板，再对虚拟化网络功能进行跨层的编排，最后对异构的网络资源进行跨域的调用，实现切片的上架。然而，网络设施是异构的，提供给切片的服务功能链的能力是不一样的，如何精准描述异构设施的模态能力是一个难点，需要一种注意力机制来描述跨传统网络协议层的网络功能调用能力。异构的网络设施所提供同一个虚拟化网络功能所消耗的网络资源也是不一样的，也需要一种注意力机制来描述跨异构网络资源域的网络资源组合能力。同时网络切片随场景变化所支持的虚拟化网络功能及消耗的网络资源也是动态变化的，描述网络功能调用能力及网络资源组合能力的注意力机制还需要具备动态性。
发明内容
针对现有技术中的问题，本发明提供了一种体现业务意愿的确定性网络传输方法。
本发明解决其技术问题所采用的技术方案是：一种体现业务意愿的确定性网络传输方法，包括以下步骤：
包括以下步骤：
步骤S1：网络需求与切片模板匹配：基于网络需求及网络切片模板库的网络功能、网络资源的特征，构建查找决策树寻找切片；
步骤S2：服务功能链的编排：基于步骤1匹配的切片模板及任务的网络切片特性分解，将网络需求分割为子图，通过可解析的动态自适应分级多层注意力机制，从而得到VNF节点嵌入；
步骤S3：虚拟化网络资源的组合优化：研究虚拟化网络资源组合优化，为应用的功能实现量身定制，为基础设施的经济效益实现最大化。
具体的，步骤1的具体流程如下：
步骤S11：针对各个区域的业务及基础设施的数据分布可能存在非独立同分布性，为了减少属性有所偏好带来的不利影响，为每个特征建立增益率：
Figure SMS_1
(1)
Figure SMS_2
(2)
Figure SMS_3
(3)
Figure SMS_4
表示每个特征的增益率，/>
Figure SMS_5
表示信息熵，/>
Figure SMS_6
为交差熵，表示中间变量
其中特征
Figure SMS_9
有/>
Figure SMS_11
个不同的取值，如果使用特征/>
Figure SMS_14
对数据集/>
Figure SMS_8
进行划分，则会产生/>
Figure SMS_10
个分支结点，第/>
Figure SMS_13
个分支结点的样本记为/>
Figure SMS_15
，给分支结点/>
Figure SMS_7
赋予权重/>
Figure SMS_12
；
步骤S12：检查迁移的场景，虚拟化网络功能是否发生变化,如果迁移的场景中虚拟化网络功能减少，特征的新增益率设为“0”，如果迁移的场景中虚拟化网络功能增加，设计添枝功能；
步骤S13：构建查找决策树寻找切片。
具体的，步骤S13中切片寻找流程为：从根节点开始查找，其子节点的新的最大增益率是否大于本身的新的增益率；如果没有，直到遍历整个决策树模型；否则说明各应用的分布发生变化，则子节点替代父节点；如果父节点的增益率大于子节点的子节点的增益率，则父节点替代子节点的子节点；同时把子节点的子节点值赋给父节点中最大增益率的子节点。
具体的，所述步骤S2的具体流程如下：
提取具有完全邻接关系的子图
Figure SMS_17
，/>
Figure SMS_21
是第/>
Figure SMS_24
个节点，/>
Figure SMS_18
是第/>
Figure SMS_20
个与第/>
Figure SMS_22
个节点之间的边，当编排到SFC的第/>
Figure SMS_23
个VNF时（即从子图/>
Figure SMS_16
转化为/>
Figure SMS_19
时），子图/>
Figure SMS_25
的单个全局池化后的节点向量和边向量可表达为：
节点向量：
Figure SMS_26
(4)
边向量：
Figure SMS_27
(5)
其中
Figure SMS_28
表示更新函数，/>
Figure SMS_29
表示聚合函数，即节点的自注意力；/>
Figure SMS_30
表示一个消息函数提取源节点特征，可表示为：
Figure SMS_31
(6)
其中
Figure SMS_32
为消息，/>
Figure SMS_33
是一个权重矩阵。
具体的，所述步骤S2中：
考虑全连接的各个节点及边的关系注意力及自注意力机制，引入BERT的自适应分级多层图注意力机制,从而实现关系注意力与多头注意力兼容，用下式进行截断：
Figure SMS_34
(7)
其中
Figure SMS_35
为欧式距离，/>
Figure SMS_36
节点全连接的自注意力机制可描述为：
Figure SMS_37
(8)
Figure SMS_38
边全连接的自注意力机制可描述为：
Figure SMS_39
(9)
Figure SMS_40
节点全连接的自注意力机制可描述为：
Figure SMS_41
(10)
Figure SMS_50
是第/>个节点，/>
Figure SMS_46
是第/>
Figure SMS_54
个节点; />
Figure SMS_58
是第/>
Figure SMS_60
个与第/>
Figure SMS_62
个节点之间的边, />
Figure SMS_52
是第/>
Figure SMS_56
个与第/>
Figure SMS_42
个节点之间的边; />
Figure SMS_48
表示节点更新函数；/>
Figure SMS_44
表示边更新函数，/>
Figure SMS_47
表示/>
Figure SMS_51
节点全连接的自注意力机制；/>
Figure SMS_55
表示/>
Figure SMS_53
边全连接的自注意力机制；/>
Figure SMS_57
表示转置；/>
Figure SMS_59
表示/>
Figure SMS_61
节点全连接的自注意力机制；/>
Figure SMS_45
表示节点上一层的消息权重；/>
Figure SMS_49
表示边上一层的消息权重。
具体的，所述步骤S3中：
定义业务
Figure SMS_63
的虚拟功能请求函数为：
Figure SMS_64
(11)
其中，
Figure SMS_65
是一个应用/>
Figure SMS_66
请求的虚拟功能集合；/>
Figure SMS_67
的数学表达形式是：
Figure SMS_68
Figure SMS_69
(12)
Figure SMS_70
是应用/>
Figure SMS_71
的请求的虚拟功能/>
Figure SMS_72
所对应的属性；/>
Figure SMS_73
的数学表达形式是：
Figure SMS_74
Figure SMS_75
(13)
其中，
Figure SMS_77
表示具体的一个虚拟功能；/>
Figure SMS_80
表示一个虚拟功能/>
Figure SMS_82
所带有的属性；/>
Figure SMS_78
表示信息资源，/>
Figure SMS_79
表示带宽资源，/>
Figure SMS_81
表示功率资源；/>
Figure SMS_83
是资源池中功能的个数；/>
Figure SMS_76
是资源池中属性的个数；网络效益函数可表示为
Figure SMS_84
(14)
Figure SMS_85
表示第1个虚拟化网络功能；/>
Figure SMS_86
表示第n个虚拟化网络功能; />
Figure SMS_87
表示虚拟化网络功能的第1个属性；/>
Figure SMS_88
表示虚拟化网络功能的第n个属性；
其中
Figure SMS_105
是价值函数，它表示具有属性/>
Figure SMS_109
的虚拟功能模块/>
Figure SMS_113
所需要付出的代价；/>
Figure SMS_91
表示选择的功能模块，/>
Figure SMS_94
，/>
Figure SMS_97
，/>
Figure SMS_101
表示选择/>
Figure SMS_92
个具有属性/>
Figure SMS_96
的虚拟功能模块/>
Figure SMS_100
的IT资源值、频谱资源、收发功率资源要大于等于应用/>
Figure SMS_104
请求的资源值，/>
Figure SMS_108
表示虚拟功能模块/>
Figure SMS_112
与虚拟功能模块/>
Figure SMS_116
存在依赖关系，如果/>
Figure SMS_119
存在，则/>
Figure SMS_107
必定存在；/>表示虚拟功能模块/>
Figure SMS_115
与虚拟功能模块/>
Figure SMS_118
存在排斥关系，如果/>
Figure SMS_89
存在，则/>
Figure SMS_93
必定不存在；/>
Figure SMS_99
指多个具有属性/>
Figure SMS_103
的虚拟功能模块/>
Figure SMS_90
并列使用时所付出的代价；/>
Figure SMS_95
指多个具有属性/>
Figure SMS_98
的虚拟功能模块/>
Figure SMS_102
共同使用同一份资源时所付出的代价；/>
Figure SMS_106
，/>
Figure SMS_110
，/>
Figure SMS_114
表示组合成功能模块/>
Figure SMS_117
的系数。
本发明的有益效果：在自治闭环的基础上通过动态注意力机制来描述跨层跨域编排能力，在体现业务意愿的基础上实现网络切片确定性传输。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明所述的一种体现业务意愿的确定性网络传输方法，包括以下步骤：
包括以下步骤：
步骤S1：网络需求与切片模板匹配：基于网络需求及网络切片模板库的网络功能、网络资源的特征，构建查找决策树寻找切片；
步骤S2：服务功能链的编排：基于步骤1匹配的切片模板及任务的网络切片特性分解，将网络需求分割为子图，通过可解析的动态自适应分级多层注意力机制，从而得到VNF节点嵌入；
步骤S3：虚拟化网络资源的组合优化：研究虚拟化网络资源组合优化，为应用的功能实现量身定制，为基础设施的经济效益实现最大化。
具体的，步骤1的具体流程如下：
步骤S11：针对各个区域的业务及基础设施的数据分布可能存在非独立同分布性，为了减少属性有所偏好带来的不利影响，为每个特征建立增益率：
Figure SMS_120
(1)
Figure SMS_121
(2)
Figure SMS_122
(3)
Figure SMS_123
表示每个特征的增益率，/>
Figure SMS_124
表示信息熵，/>
Figure SMS_125
为交差熵，表示中间变量
其中特征
Figure SMS_127
有/>
Figure SMS_130
个不同的取值，如果使用特征/>
Figure SMS_133
对数据集/>
Figure SMS_128
进行划分，则会产生/>
Figure SMS_129
个分支结点，第/>
Figure SMS_132
个分支结点的样本记为/>
Figure SMS_134
，给分支结点/>
Figure SMS_126
赋予权重/>
Figure SMS_131
；
步骤S12：检查迁移的场景，虚拟化网络功能是否发生变化,如果迁移的场景中虚拟化网络功能减少，特征的新增益率设为“0”，如果迁移的场景中虚拟化网络功能增加，设计添枝功能；
步骤S13：构建查找决策树寻找切片。
具体的，步骤S13中切片寻找流程为：从根节点开始查找，其子节点的新的最大增益率是否大于本身的新的增益率；如果没有，直到遍历整个决策树模型；否则说明各应用的分布发生变化，则子节点替代父节点；如果父节点的增益率大于子节点的子节点的增益率，则父节点替代子节点的子节点；同时把子节点的子节点值赋给父节点中最大增益率的子节点。
具体的，所述步骤S2的具体流程如下：
提取具有完全邻接关系的子图
Figure SMS_136
，/>
Figure SMS_140
是第/>
Figure SMS_143
个节点，/>
Figure SMS_137
是第/>
Figure SMS_139
个与第/>
Figure SMS_142
个节点之间的边，当编排到SFC的第/>
Figure SMS_144
个VNF时（即从子图/>
Figure SMS_135
转化为/>
Figure SMS_138
时），子图/>
Figure SMS_141
的单个全局池化后的节点向量和边向量可表达为：
节点向量：
Figure SMS_145
(4)
边向量：
Figure SMS_146
(5)
其中
Figure SMS_147
表示更新函数，/>
Figure SMS_148
表示聚合函数，即节点的自注意力；/>
Figure SMS_149
表示一个消息函数提取源节点特征，可表示为：
Figure SMS_150
(6)
其中
Figure SMS_151
为消息，/>
Figure SMS_152
是一个权重矩阵。
具体的，所述步骤S2中：
考虑全连接的各个节点及边的关系注意力及自注意力机制，引入BERT的自适应分级多层图注意力机制,从而实现关系注意力与多头注意力兼容，用下式进行截断：
Figure SMS_153
(7)
其中
Figure SMS_154
为欧式距离，/>
Figure SMS_155
节点全连接的自注意力机制可描述为：
Figure SMS_156
(8)
Figure SMS_157
边全连接的自注意力机制可描述为：
Figure SMS_158
(9)
Figure SMS_159
节点全连接的自注意力机制可描述为：
Figure SMS_160
(10)
Figure SMS_168
是第/>
Figure SMS_163
个节点，/>
Figure SMS_165
是第/>
Figure SMS_170
个节点; />
Figure SMS_172
是第/>
Figure SMS_171
个与第/>
Figure SMS_174
个节点之间的边, />
Figure SMS_177
是第/>
Figure SMS_181
个与第/>
Figure SMS_164
个节点之间的边; />
Figure SMS_179
表示节点更新函数；/>
Figure SMS_175
表示边更新函数，/>
Figure SMS_178
表示/>
Figure SMS_176
节点全连接的自注意力机制；/>
Figure SMS_180
表示/>
Figure SMS_162
边全连接的自注意力机制；/>
Figure SMS_166
表示转置；/>
Figure SMS_169
表示/>
Figure SMS_173
节点全连接的自注意力机制；/>
Figure SMS_161
表示节点上一层的消息权重；/>
Figure SMS_167
表示边上一层的消息权重。
具体的，所述步骤S3中：
定义业务
Figure SMS_182
的虚拟功能请求函数为：
Figure SMS_183
(11)
其中，
Figure SMS_184
是一个应用/>
Figure SMS_185
请求的虚拟功能集合；/>
Figure SMS_186
的数学表达形式是：
Figure SMS_187
Figure SMS_188
(12)
Figure SMS_189
是应用/>
Figure SMS_190
的请求的虚拟功能/>
Figure SMS_191
所对应的属性；/>
Figure SMS_192
的数学表达形式是：
Figure SMS_193
Figure SMS_194
(13)
其中，
Figure SMS_196
表示具体的一个虚拟功能；/>
Figure SMS_198
表示一个虚拟功能/>
Figure SMS_200
所带有的属性；/>
Figure SMS_197
表示信息资源，/>
Figure SMS_199
表示带宽资源，/>
Figure SMS_201
表示功率资源；/>
Figure SMS_202
是资源池中功能的个数；/>
Figure SMS_195
是资源池中属性的个数；网络效益函数可表示为
Figure SMS_203
(14)
Figure SMS_204
表示第1个虚拟化网络功能；/>
Figure SMS_205
表示第n个虚拟化网络功能; />
Figure SMS_206
表示虚拟化网络功能的第1个属性；/>
Figure SMS_207
表示虚拟化网络功能的第n个属性；
其中
Figure SMS_224
是价值函数，它表示具有属性/>
Figure SMS_226
的虚拟功能模块/>
Figure SMS_230
所需要付出的代价；/>
Figure SMS_209
表示选择的功能模块，/>
Figure SMS_212
，/>
Figure SMS_216
，/>
Figure SMS_220
表示选择/>
Figure SMS_210
个具有属性/>
Figure SMS_214
的虚拟功能模块/>
Figure SMS_218
的IT资源值、频谱资源、收发功率资源要大于等于应用/>
Figure SMS_222
请求的资源值，/>
Figure SMS_229
表示虚拟功能模块/>
Figure SMS_232
与虚拟功能模块/>
Figure SMS_235
存在依赖关系，如果/>
Figure SMS_238
存在，则/>
Figure SMS_227
必定存在；/>
Figure SMS_231
表示虚拟功能模块/>
Figure SMS_234
与虚拟功能模块/>
Figure SMS_237
存在排斥关系，如果/>
Figure SMS_208
存在，则/>
Figure SMS_215
必定不存在；/>
Figure SMS_219
指多个具有属性/>
Figure SMS_223
的虚拟功能模块/>
Figure SMS_211
并列使用时所付出的代价；/>
Figure SMS_213
指多个具有属性/>
Figure SMS_217
的虚拟功能模块/>
Figure SMS_221
共同使用同一份资源时所付出的代价；/>
Figure SMS_225
，/>
Figure SMS_228
，/>
Figure SMS_233
表示组合成功能模块/>
Figure SMS_236
的系数。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施方式和说明书中的描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入本发明要求保护的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种体现业务意愿的确定性网络传输方法，其特征在于，包括以下步骤：
步骤S1：网络需求与切片模板匹配：基于网络需求及网络切片模板库的网络功能、网络资源的特征，构建查找决策树寻找切片；
步骤S2：服务功能链的编排：基于步骤1匹配的切片模板及任务的网络切片特性分解，将网络需求分割为子图，通过可解析的动态自适应分级多层注意力机制，从而得到VNF节点嵌入；
步骤S3：虚拟化网络资源的组合优化：研究虚拟化网络资源组合优化，为应用的功能实现量身定制，为基础设施的经济效益实现最大化。
2.根据权利要求1所述的一种体现业务意愿的确定性网络传输方法，其特征在于，步骤1的具体流程如下：
步骤S11：针对各个区域的业务及基础设施的数据分布可能存在非独立同分布性，为了减少属性有所偏好带来的不利影响，为每个特征建立增益率：
Figure QLYQS_1
(1)
Figure QLYQS_2
(2)
Figure QLYQS_3
(3)
Figure QLYQS_4
表示每个特征的增益率，/>
Figure QLYQS_5
表示信息熵，/>
Figure QLYQS_6
为交差熵，表示中间变量
其中特征
Figure QLYQS_8
有/>
Figure QLYQS_12
个不同的取值，如果使用特征/>
Figure QLYQS_14
对数据集/>
Figure QLYQS_9
进行划分，则会产生/>
Figure QLYQS_11
个分支结点，第/>
Figure QLYQS_13
个分支结点的样本记为/>
Figure QLYQS_15
，给分支结点/>
Figure QLYQS_7
赋予权重/>
Figure QLYQS_10
；
步骤S12：检查迁移的场景，虚拟化网络功能是否发生变化,如果迁移的场景中虚拟化网络功能减少，特征的新增益率设为“0”，如果迁移的场景中虚拟化网络功能增加，设计添枝功能；
步骤S13：构建查找决策树寻找切片。
3.根据权利要求2所述的一种体现业务意愿的确定性网络传输方法，其特征在于：步骤S13中切片寻找流程为：从根节点开始查找，其子节点的新的最大增益率是否大于本身的新的增益率；如果没有，直到遍历整个决策树模型；否则说明各应用的分布发生变化，则子节点替代父节点；如果父节点的增益率大于子节点的子节点的增益率，则父节点替代子节点的子节点；同时把子节点的子节点值赋给父节点中最大增益率的子节点。
4.根据权利要求1所述的一种体现业务意愿的确定性网络传输方法，其特征在于，所述步骤S2的具体流程如下：
提取具有完全邻接关系的子图
Figure QLYQS_17
，/>
Figure QLYQS_20
是第/>
Figure QLYQS_22
个节点，/>
Figure QLYQS_18
是第/>
Figure QLYQS_19
个与第/>
Figure QLYQS_21
个节点之间的边，当编排到SFC的第/>
Figure QLYQS_23
个VNF时，子图/>
Figure QLYQS_16
的单个全局池化后的节点向量和边向量可表达为：
节点向量：
Figure QLYQS_24
(4)
边向量：
Figure QLYQS_25
(5)
其中
Figure QLYQS_26
表示更新函数，/>
Figure QLYQS_27
表示聚合函数，即节点的自注意力；/>
Figure QLYQS_28
表示一个消息函数提取源节点特征，可表示为：
Figure QLYQS_29
(6)
其中
Figure QLYQS_30
为消息，/>
Figure QLYQS_31
是一个权重矩阵。
5.根据权利要求4所述的一种体现业务意愿的确定性网络传输方法，其特征在于，所述步骤S2中：
考虑全连接的各个节点及边的关系注意力及自注意力机制，引入BERT的自适应分级多层图注意力机制,从而实现关系注意力与多头注意力兼容，用下式进行截断：
Figure QLYQS_32
(7)
其中
Figure QLYQS_33
为欧式距离，/>
Figure QLYQS_34
节点全连接的自注意力机制可描述为：
Figure QLYQS_35
(8)
Figure QLYQS_36
边全连接的自注意力机制可描述为：
Figure QLYQS_37
(9)
Figure QLYQS_38
节点全连接的自注意力机制可描述为：
Figure QLYQS_39
(10)
Figure QLYQS_51
是第/>
Figure QLYQS_41
个节点，/>
Figure QLYQS_47
是第/>
Figure QLYQS_43
个节点; />
Figure QLYQS_45
是第/>
Figure QLYQS_49
个与第/>
Figure QLYQS_55
个节点之间的边, />
Figure QLYQS_50
是第/>
Figure QLYQS_56
个与第/>
Figure QLYQS_40
个节点之间的边; />
Figure QLYQS_46
表示节点更新函数；/>
Figure QLYQS_54
表示边更新函数，/>
Figure QLYQS_57
表示/>
Figure QLYQS_59
节点全连接的自注意力机制；/>
Figure QLYQS_60
表示/>
Figure QLYQS_48
边全连接的自注意力机制；/>
Figure QLYQS_52
表示转置；/>
Figure QLYQS_53
表示/>
Figure QLYQS_58
节点全连接的自注意力机制；/>
Figure QLYQS_42
表示节点上一层的消息权重；/>
Figure QLYQS_44
表示边上一层的消息权重。
6.根据权利要求1所述的一种体现业务意愿的确定性网络传输方法，其特征在于，所述步骤S3中：
定义业务
Figure QLYQS_61
的虚拟功能请求函数为：
Figure QLYQS_62
(11)
其中，
Figure QLYQS_63
是一个应用/>
Figure QLYQS_64
请求的虚拟功能集合；/>
Figure QLYQS_65
的数学表达形式是：
Figure QLYQS_66
Figure QLYQS_67
(12)
Figure QLYQS_68
是应用/>
Figure QLYQS_69
的请求的虚拟功能/>
Figure QLYQS_70
所对应的属性；/>
Figure QLYQS_71
的数学表达形式是：
Figure QLYQS_72
Figure QLYQS_73
(13)
其中，
Figure QLYQS_75
表示具体的一个虚拟功能；/>
Figure QLYQS_78
表示一个虚拟功能/>
Figure QLYQS_80
所带有的属性；/>
Figure QLYQS_76
表示信息资源，/>
Figure QLYQS_77
表示带宽资源，/>
Figure QLYQS_79
表示功率资源；/>
Figure QLYQS_81
是资源池中功能的个数；/>
Figure QLYQS_74
是资源池中属性的个数；网络效益函数可表示为
Figure QLYQS_82
(14)
Figure QLYQS_83
表示第1个虚拟化网络功能；/>
Figure QLYQS_84
表示第n个虚拟化网络功能; />
Figure QLYQS_85
表示虚拟化网络功能的第1个属性；/>
Figure QLYQS_86
表示虚拟化网络功能的第n个属性；
其中
Figure QLYQS_105
是价值函数，它表示具有属性/>
Figure QLYQS_109
的虚拟功能模块/>
Figure QLYQS_113
所需要付出的代价；/>
Figure QLYQS_88
表示选择的功能模块，/>
Figure QLYQS_93
，/>
Figure QLYQS_97
，/>
Figure QLYQS_101
表示选择/>
Figure QLYQS_89
个具有属性/>
Figure QLYQS_94
的虚拟功能模块/>
Figure QLYQS_98
的IT资源值、频谱资源、收发功率资源要大于等于应用/>
Figure QLYQS_102
请求的资源值，/>
Figure QLYQS_106
表示虚拟功能模块/>
Figure QLYQS_110
与虚拟功能模块/>
Figure QLYQS_114
存在依赖关系，如果/>
Figure QLYQS_117
存在，则/>
Figure QLYQS_103
必定存在；/>
Figure QLYQS_107
表示虚拟功能模块/>
Figure QLYQS_111
与虚拟功能模块/>
Figure QLYQS_115
存在排斥关系，如果/>
Figure QLYQS_87
存在，则/>
Figure QLYQS_91
必定不存在；/>
Figure QLYQS_95
指多个具有属性/>
Figure QLYQS_99
的虚拟功能模块/>
Figure QLYQS_90
并列使用时所付出的代价；/>
Figure QLYQS_92
指多个具有属性/>
Figure QLYQS_96
的虚拟功能模块/>
Figure QLYQS_100
共同使用同一份资源时所付出的代价；/>
Figure QLYQS_104
，/>
Figure QLYQS_108
，/>
Figure QLYQS_112
表示组合成功能模块/>
Figure QLYQS_116
的系数。
CN202310680156.8A 2023-06-09 2023-06-09 一种体现业务意愿的确定性网络传输方法 Active CN116436782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310680156.8A CN116436782B (zh) 2023-06-09 2023-06-09 一种体现业务意愿的确定性网络传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310680156.8A CN116436782B (zh) 2023-06-09 2023-06-09 一种体现业务意愿的确定性网络传输方法

Publications (2)

Publication Number Publication Date
CN116436782A true CN116436782A (zh) 2023-07-14
CN116436782B CN116436782B (zh) 2023-09-29

Family

ID=87083592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310680156.8A Active CN116436782B (zh) 2023-06-09 2023-06-09 一种体现业务意愿的确定性网络传输方法

Country Status (1)

Country Link
CN (1) CN116436782B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379754A (zh) * 2018-12-18 2019-02-22 国家电网有限公司 一种无线接入网中的网络切片优化方法
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
WO2019184967A1 (zh) * 2018-03-29 2019-10-03 华为技术有限公司 一种网络切片的部署方法及装置
CN112887142A (zh) * 2021-01-26 2021-06-01 贵州大学 一种虚拟化无线接入边缘云中web应用切片生成方法
WO2022027169A1 (en) * 2020-08-03 2022-02-10 Nokia Shanghai Bell Co., Ltd. Method and apparatus for fine-grained isolation in cn nss domain of e2e network slice
EP4050851A1 (en) * 2021-02-26 2022-08-31 Nokia Solutions and Networks Oy Transforming intent expressions into commands and configurations
CN115460088A (zh) * 2022-07-25 2022-12-09 国网天津市电力公司 一种5g电力多业务切片资源分配与隔离方法
CN116232921A (zh) * 2023-05-08 2023-06-06 中国电信股份有限公司四川分公司 一种基于超图的确定性网络数据集构建装置及其方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019184967A1 (zh) * 2018-03-29 2019-10-03 华为技术有限公司 一种网络切片的部署方法及装置
CN109379754A (zh) * 2018-12-18 2019-02-22 国家电网有限公司 一种无线接入网中的网络切片优化方法
CN110275758A (zh) * 2019-05-09 2019-09-24 重庆邮电大学 一种虚拟网络功能智能迁移方法
WO2022027169A1 (en) * 2020-08-03 2022-02-10 Nokia Shanghai Bell Co., Ltd. Method and apparatus for fine-grained isolation in cn nss domain of e2e network slice
CN112887142A (zh) * 2021-01-26 2021-06-01 贵州大学 一种虚拟化无线接入边缘云中web应用切片生成方法
EP4050851A1 (en) * 2021-02-26 2022-08-31 Nokia Solutions and Networks Oy Transforming intent expressions into commands and configurations
CN115460088A (zh) * 2022-07-25 2022-12-09 国网天津市电力公司 一种5g电力多业务切片资源分配与隔离方法
CN116232921A (zh) * 2023-05-08 2023-06-06 中国电信股份有限公司四川分公司 一种基于超图的确定性网络数据集构建装置及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHIEN-NGUYEN等: "Dynamic Network Slice Scaling Assiste by Attention-based Prediction in 5G Network", 《IEEE ACCESS》 *
谭娅: ""基于网络功能虚拟化的资源预测研究"", 《中国优秀硕士学位论文全文数据库》 *
雷波;王江龙;赵倩颖;余勇志;杨明川;: "基于计算、存储、传送资源融合化的新型网络虚拟化架构", 电信科学, no. 07 *

Also Published As

Publication number Publication date
CN116436782B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN113315700B (zh) 算力资源调度方法、装置和存储介质
CN107395506B (zh) 一种传输时延优化的服务功能链部署方法
CN112953778A (zh) 智融标识网络中基于意图驱动的服务编排系统和方法
EP2835938B1 (en) Message publishing and subscribing method and apparatus
CN113037802B (zh) 一种用于电力物联网的云边数据协同方法
CN104012063A (zh) 用于软件定义网络中的灵活和可扩展流处理的控制器
Liu et al. SFC embedding meets machine learning: Deep reinforcement learning approaches
CN111865668B (zh) 一种基于sdn和nfv的网络切片方法
Mao et al. Joint resource management and flow scheduling for SFC deployment in hybrid edge-and-cloud network
CN110351145B (zh) 一种基于经济效益的虚拟化的无线网络功能编排方法
CN112001500A (zh) 基于纵向联邦学习系统的模型训练方法、设备及存储介质
CN110019539A (zh) 一种数据仓库的数据同步的方法和装置
CN113490279B (zh) 一种网络切片配置方法及装置
CN108667657A (zh) 一种面向sdn的基于局部特征信息的虚拟网络映射方法
CN111126613A (zh) 用于深度学习的方法、设备和计算机程序产品
CN114710196B (zh) 一种软件定义卫星网络虚拟网络功能迁移方法
CN113779422A (zh) 关系链标签的实现方法、装置、电子设备及存储介质
Asheralieva et al. Ultra-reliable low-latency slicing in space-air-ground multi-access edge computing networks for next-generation internet of things and mobile applications
Yuan et al. Virtual network function scheduling via multilayer encoding genetic algorithm with distributed bandwidth allocation
CN116436782B (zh) 一种体现业务意愿的确定性网络传输方法
Chen et al. Resource distribution equilibrium for virtual network embedding over flexi-grid optical networks
CN116232921B (zh) 一种基于超图的确定性网络数据集构建装置及其方法
CN107896242A (zh) 一种服务共享方法及装置
EP2335392B1 (en) Method, apparatus and computer program product for providing composite capability information for devices in distributed networks
Huang et al. Parallel Placement of Virtualized Network Functions via Federated Deep Reinforcement Learning

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
CB03 Change of inventor or designer information

Inventor after: Wang Wenyong

Inventor after: Huang Lisheng

Inventor after: Zhang Ji

Inventor after: Zheng Chengyu

Inventor after: Huang Dajiu

Inventor after: Zou Sai

Inventor after: Liu Zhifeng

Inventor after: Jiang Cheng

Inventor after: Du Ziqiang

Inventor after: Miao Dong

Inventor before: Wang Wenyong

Inventor before: Huang Pengsheng

Inventor before: Zhang Ji

Inventor before: Zheng Chengyu

Inventor before: Huang Dajiu

Inventor before: Zou Sai

Inventor before: Liu Zhifeng

Inventor before: Jiang Cheng

Inventor before: Du Ziqiang

Inventor before: Miao Dong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant