CN116545877B - 跨域sfc动态部署方法、装置、计算机设备及存储介质 - Google Patents
跨域sfc动态部署方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116545877B CN116545877B CN202310771504.2A CN202310771504A CN116545877B CN 116545877 B CN116545877 B CN 116545877B CN 202310771504 A CN202310771504 A CN 202310771504A CN 116545877 B CN116545877 B CN 116545877B
- Authority
- CN
- China
- Prior art keywords
- domain
- service
- sfc
- node
- domain controller
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000004044 response Effects 0.000 claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 100
- 230000008569 process Effects 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004808 supercritical fluid chromatography Methods 0.000 description 122
- 101100545275 Mus musculus Znf106 gene Proteins 0.000 description 24
- 238000004368 synchrotron infrared microspectroscopy Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 16
- 230000009471 action Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008649 adaptation response Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- JTTBZVHEXMQSMM-UHFFFAOYSA-M (3-chloro-2-hydroxypropyl)-dodecyl-dimethylazanium;chloride Chemical compound [Cl-].CCCCCCCCCCCC[N+](C)(C)CC(O)CCl JTTBZVHEXMQSMM-UHFFFAOYSA-M 0.000 description 1
- 241001167018 Aroa Species 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108091005725 scavenger receptor cysteine-rich superfamily Proteins 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
- H04L41/0897—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities by horizontal or vertical scaling of resources, or by migrating entities, e.g. virtual resources or entities
-
- 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
- H04L41/149—Network analysis or design for prediction of maintenance
-
- 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
Abstract
本发明属于SFC部署技术领域,涉及一种跨域SFC动态部署方法、装置、计算机设备及存储介质,所述方法包括多域控制器获取服务功能链请求;由多域控制器将所述服务功能链请求下发给各域控制器;各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵;基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。在保护域间隐私的前提下,实现优化跨域服务部署,并提高部署的成功率。
Description
技术领域
本发明涉及SFC部署技术领域,尤其涉及一种跨域SFC动态部署方法、装置、计算机设备及存储介质。
背景技术
近年来,现有技术中出现了很多SFC跨域部署优化模型和解决方案。有将SFC跨域嵌入建立成整数线性规划模型,并提出了两种启发式算法来对模型进行处理,完成SFC跨域部署。但是,这种方式考虑的网络只有两个域。还有假设每个域可以与第三方共享一些关键信息,第三方以全局的视角将SFC部署到物理网络中,实现用户请求。以上方法均利用一个中央控制器对物理网络进行监控,相当于集中了各域资源信息,协助SFC跨域部署。随着业务功能不断扩展升级,也有在分布式的跨域部署上做出贡献。例如有的设计一个SFC分层编排系统。为了以正确的顺序有效地在多域网络中部署SFC,使用了跨多个域部署VNFs的分发思想。但是,以上的方法对于时延和资源消耗并不友好。例如采用通用的SFC跨域嵌入分布式方法,利用可以实例化的算法来划分SFC,形成多个子SFC,以支持不同的部署目标,各域被允许按照其分配到的部署策略部署子SFC。分层编排架构可以避免域之间的信息交互。
以上方法均会导致信息上传,带来隐私暴露风险,不能适用于所有场景下的跨域SFC部署。
发明内容
本发明实施例的目的在于提出一种跨域SFC动态部署方法、装置、计算机设备及存储介质,以解决现有技术中SFC跨域部署时会导致信息上传,带来隐私暴露风险,不能适用于所有场景下的跨域SFC部署的问题。
为了解决上述技术问题,本发明提供一种跨域SFC动态部署方法,采用了如下所述的技术方案,包括:
获取服务功能链请求;
由多域控制器接收所述服务功能链请求,将所述服务功能链请求下发给各域控制器;
各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵;
基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。
优选地,所述获取服务功能链请求的步骤具体包括:
由多域控制器接收到来自客户端的所述服务功能链请求;
由所述多域控制器检查所述服务功能链请求中包含的参数;
所述多域控制器根据所述服务功能链请求的类型,来决定是否继续执行服务链请求。
优选地,所述由多域控制器接收所述服务功能链请求,将所述服务功能链请求下发给各域控制器的步骤具体包括:
所述多域控制器MDC发送所述服务功能链请求给域内控制器IDC;
所述域内控制器IDC 接收来自所述多域控制器MDC的所述服务功能链请求,并进行处理。
优选地,所述各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵的步骤具体包括:
由域内控制器IDC 获取各个VNF的请求资源;
由域内控制器IDC 获取节点的资源情况;
域内控制器IDC 预测节点资源;
域内控制器IDC 比较VNF所需资源和节点可视资源;
域内控制器IDC 生成服务意愿应答矩阵。
优选地,所述基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略的步骤具体包括:
多域控制器MDC 获取从域内控制器IDC 收集来的服务意愿应答矩阵;
根据服务意愿应答矩阵,多域控制器MDC 学习最佳部署策略。
优选地,在所述基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略的步骤之后还包括:
将所述跨域SFC最佳部署策略存储至区块链中。
为了解决上述技术问题,本发明还提供一种跨域SFC动态部署装置,采用了如下所述的技术方案,包括:
获取模块,用于获取服务功能链请求;
下发模块,用于由多域控制器接收所述服务功能链请求,将所述服务功能链请求下发给各域控制器;
比对模块,用于各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵;
部署模块,用于基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。
优选地,所述比对模块包括:
VNF请求资源获取模块,用于由域内控制器IDC 获取各个VNF的请求资源;
节点资源情况获取模块,用于由域内控制器IDC 获取节点的资源情况;
预测节点资源模块,用于域内控制器IDC 预测节点资源;
比较模块,用于域内控制器IDC 比较VNF所需资源和节点可视资源;
服务意愿应答矩阵生成模块,用于域内控制器IDC 生成服务意愿应答矩阵。
为了解决上述技术问题,本发明还提供一种计算机设备,采用了如下所述的技术方案,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的跨域SFC动态部署方法的步骤。
为了解决上述技术问题,本发明还提供一种计算机可读存储介质,采用了如下所述的技术方案,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的跨域SFC动态部署方法的步骤。
与现有技术相比,本发明主要有以下有益效果:首先多域控制器接收到服务功能链请求后,域内服务器基于节点资源容量和VNFs请求的资源情况,预测各节点资源情况并给出服务意愿,是接受还是拒绝,形成服务意愿应答矩阵,其次深度Q网络利用SIRM学习出SFC最佳部署策略,在保护域间隐私的前提下,实现优化跨域服务部署,并提高部署的成功率,并且通过仿真实验比对,在服务时延,资源利用率,接受率等性能方面有较好的优势,基于一种资源预测和域内二进制应答的跨域SFC部署,在不上传任何域间隐私信息的前提下,实现服务功能的跨域部署。
附图说明
为了更清楚地说明本发明中的方案,下面将对本发明实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本发明的跨域SFC动态部署方法的一个实施例的流程图;
图2是本发明的跨域SFC动态部署方法使用的跨域SFC部署架构示意图;
图3(a)是现有技术中未使用资源预测的节点应答示意图;
图3(b)是本发明的跨域SFC动态部署方法中使用资源预测的节点应答示意图;
图4是本发明的跨域SFC动态部署方法使用的VNFRs在域内节点的应答情况示意图;
图5是本发明的跨域SFC动态部署方法使用的基于DQN的SFC部署示意图;
图6是本发明的跨域SFC动态部署装置的一个实施例的结构示意图;
图7是本发明的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明;本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本发明的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本发明实施例所提供的跨域SFC动态部署方法一般由服务器/终端设备执行,相应地,跨域SFC动态部署装置一般设置于服务器/终端设备中。
应该理解,终端设备、网络和服务器的数目可以仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
实施例一
请参考图1,示出了本发明的跨域SFC动态部署方法的一个实施例的流程图。跨域SFC动态部署方法,包括以下步骤:
步骤S1,多域控制器获取服务功能链请求。
在本实施例中,步骤S1还可以包括步骤:
S11、由多域控制器接收到来自客户端的服务功能链请求。
S12、由多域控制器检查服务功能链请求中包含的参数。
多域控制器检查服务功能链请求中包含的参数的目的是,确保来自客户端的服务功能链请求是合法的,并且服务功能链请求中包含的参数是正确的。服务功能链请求的参数可以包括服务名称、服务版本号、请求类型等。多域控制器检索与服务功能链请求中包含的服务名称和版本号相关联的服务链。这个服务链是由多域控制器维护的,其中包含了所有可用的服务以及它们之间的关系。
S13、多域控制器根据服务功能链请求类型,来决定是否继续执行服务链请求。
多域控制器根据服务功能链请求类型,如果决定继续执行服务链请求的话,则。服务功能链请求(SFCR)由多域控制器(Multi-domain controller,MDC)获取,然后下发给域内控制器(Intra-domain controllers,IDCs),最终部署到域内节点。
在本实施例中,跨域SFC动态部署方法运行于其上的电子设备(例如服务器/终端设备)可以通过有线连接方式或者无线连接方式接收跨域SFC动态部署请求。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAXX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。
步骤S2,由多域控制器将服务功能链请求下发给各域控制器。
在本实施例中,步骤S2还可以包括以下步骤:
S21、多域控制器MDC发送服务功能链请求给域内控制器IDC。
域内控制器(Intra-domain controllers,IDCs),也就是在每一个单域内做总控制器。多域控制器MDC向域内控制器IDC发送服务功能链请求的目的在于,要求域内控制器IDC 执行服务功能。
可以使用消息队列或网络通信等方式来实现步骤S21。具体来说,多域控制器MDC可以将服务功能链请求消息,发送到域内控制器IDC所在的服务器或网络中的一个具体位置,例如消息队列或网关等。域内控制器IDC 可以从该位置读取服务功能链请求消息,并开始执行相应的服务功能。
S22、域内控制器IDC 接收来自多域控制器MDC的该服务功能链请求,并进行处理。
域内控制器IDC 接收并处理该服务功能链请求,以完成服务功能。
可以使用消息队列或网络通信等方式来实现步骤S22。具体来说,域内控制器IDC可以从消息队列中读取服务功能链请求消息,并调用相应的服务函数来处理请求。如果服务功能链请求需要跨服务器或网络通信,域内控制器IDC 还可以调用相关的中间件或库来实现数据传输和通信。
多域控制器(Multi-Domain Controller,MDC)充当中央控制器,向下联通各域控制器,实现用户与InP之间的联系。
图2是本发明的跨域SFC动态部署方法使用的跨域SFC部署架构示意图。如图2所示,在跨域SFC部署架构中,MDC接收的SFC,以泊松分布的方式动态进入系统,MDC作为中央控制器会即时地把请求发送给各域控制器。各域控制器在接收到VNF请求时会协调域内节点进行二进制应答——接受/拒绝(1/0)。接受代表该节点有足够的资源提供给VNF进行部署;拒绝则表示没有。值得注意的是,这里的节点进行应答之后,会假设资源被占用。如果节点给予接受应答,那么就等到SFC成功部署后才会释放资源;否则,在SFC最佳部署方案形成前都会显示占用资源。本实施例把这种情况称为“虚拟占用”。
这也就意味着节点在接收到时间间隔t内随机进入的SFCR时,会不断更新自己的信息状态。但是,如果系统只通过应答决定SIRM,节点资源会因为虚拟占用而不足以提供服务。
步骤S3,各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵。
在本实施例中,步骤S3还可以包括以下步骤:
S31、由域内控制器IDC 获取各个VNF的请求资源。
域内控制器IDC 获取各个 VNF 的请求资源的目的是:以了解 VNF 所需的资源情况。
可以使用消息队列或网络通信等方式来实现步骤S31。具体来说,域内控制器IDC可以从消息队列中读取 VNF 的请求资源消息,并解析消息内容,来获得 VNF 所需的资源情况。
S32、由域内控制器IDC 获取节点的资源情况。
域内控制器IDC 获取节点的资源情况的目的是:以了解节点的可用资源情况。
可以使用消息队列或网络通信等方式来实现步骤S32。具体来说,域内控制器IDC可以从消息队列中读取节点的资源情况消息,并解析消息内容来获得节点的可用资源情况。
S33、 域内控制器IDC 预测节点资源。
域内控制器IDC 预测节点资源的目的是:以预测节点的可用资源情况。
可以使用机器学习或统计算法等方式实现步骤S33。具体来说,域内控制器IDC 可以基于历史数据或当前情况来预测节点的可用资源情况。
S34、 域内控制器IDC 比较VNF所需资源和节点可视资源。
域内控制器IDC 比较 VNF 所需资源和节点可视资源的目的在于,以确定哪些VNF可以在节点上运行。
可以使用消息队列或网络通信等方式来实现步骤S34。具体来说,域内控制器IDC可以从消息队列中读取 VNF 所需资源消息,并解析消息内容来获得 VNF 所需的资源情况。域内控制器IDC 还可以从消息队列中读取节点资源情况消息,并解析消息内容来获得节点的可用资源情况。域内控制器IDC 可以基于所需资源和可视资源的差距来确定哪些VNF 可以在节点上运行。
S35、域内控制器IDC 生成服务意愿应答矩阵。
域内控制器IDC 生成服务意愿应答矩阵的目的在于,以确定哪些 VNF 可以提供服务。
可以使用消息队列或网络通信等方式来实现步骤S35。具体来说,域内控制器IDC可以从消息队列中读取服务意愿应答矩阵消息,并解析消息内容来获得服务的提供情况。域内控制器IDC 可以基于服务意愿应答矩阵来生成服务意愿应答。
在本实施例中,在作第二次比较时,通过各域控制器询问节点是否有足够的资源来决定服务意愿应答矩阵(Service Intention Response Matrix,SIRM),即每一个域内节点都给出一个服务意愿(即接受ξ=1,或拒绝ξ=0),ξ表示部署每个VNF的意愿,称为二进制响应,当所有节点都进行应答后,这些应答结果就会形成SIRM,由此确定物理网络的全局视图,构建一个自适应应答模型。
图3(a)是现有技术中未使用资源预测的节点应答示意图。如图3(a)所示,假设t时刻MDC得到一个SFCR并下发给各域去进行意愿应答,在不做资源预测的前提下,VNFs会按照SFCR的顺序到每个域里的节点请求资源,对比后节点会作出应答。其中,灰色表示节点可以接受该VNF的部署,黑色表示拒绝。由于灰色节点会对应扣除第一个VNF的资源,所以第二个VNF进入系统时,能得到的接受应答就会大幅度减少。到最后一个VNF进行比对时,所有节点可能都给予拒绝应答。这会大大影响部署成功率。
图3(b)是本发明的跨域SFC动态部署方法中使用资源预测的节点应答示意图。如图3(b)所示,本实施例对此进行改进。SFC依旧按照泊松分布的方式动态进入系统。各域控制器在接收到每一个VNF请求时,域内节点首先要进行资源的预测,然后再进行二进制应答。在进行应答前,VNFs和节点均进行由大到小的排序。在应答过程中,从请求值最大的VNF开始,通过和每个域内预测资源值在前50%的节点(节点为单数时,则四舍五入处理)进行比对。与上面描述的意义一致,灰色节点和黑色节点分别表示接受和拒绝,空白节点则表示与进来的VNF不作比对。通过如上改进,系统可以防止前几个VNFs占用节点资源后,随后进来的VNFs因为节点资源不充足而得到拒绝应答,导致大量的SFC部署失败。
对SFC接受率进行改进后,各域通过应答情况为MDC提供SIRM,MDC集合矩阵,组合成一个全局视图,基于DQN学习出最佳部署和调度策略,为SFC中每一个VNF选择最优部署节点,且为VNFs之间选择最佳路由路径。最后,MDC将最佳部署方案分配到各域控制器中执行最终的部署,满足用户需求。
在IIoT网络中,各个终端之间的通信会产生大量高速实时的流量请求。通过NFV,可以用一组以功能和逻辑方式链接的VNFs来表示IIoT服务,而流量需要严格按照预定义的顺序通过多个VNFs进行传输。这样一个具有顺序并要完成流量请求的SFC在t时间内以泊松概率分布进入系统。
SFC进入系统后,MDC接收并将SFCR下发给各域控制器,各域控制器指挥域内节点进行资源预测, SFCR上每一个VNF所需资源将与每一个节点/>的真实资源容量/>进行比对。设X是一个二态变量,表示节点/>的真实资源容量/>是否足够SFC上第s个VNF进行部署:
在s个VNFs中,满足有a个,对应资源情况为/>。说明该节点的资源一定大于可以满足的VNFs 的资源总和。即:
由于只考虑满足VNFs部署的节点资源值,所以,最终的预测值可以直接取的最小值。这么做可以保证预测值等于或者小于节点/>的真实值,从而保证所有得到接受应答的节点可以顺利部署到该节点。则节点资源预测值为:
在所有节点预测并判断出有足够的资源后,即可以进入节点二进制应答阶段。
当节点资源情况得到预测后,每一个VNFs就会和预测的节点资源值进行二次比对,通过二进制应答,得到SIRM。
为了尽可能提高部署成功率,在进行第二次资源比对前,本实施例首先将一条SFC中的VNFs按资源由大到小进行排队比对,先对资源需求大的VNF进行资源比对。一个VNF和全部节点进行比对时,所有节点也按预测的资源由大到小进行排列,选前50%的节点给予VNF应答。当节点给出肯定应答后,节点会对应的扣除VNF请求的资源。因此,上述做法主要是避免所有节点都参与资源扣除,导致最后进来的VNF因为节点虚拟占用资源而没有节点给予肯定应答,最终导致SFC部署失败。具体二进制应答操作如下:
为了简化问题描述过程,本节假设在t时刻,第v个SFCR进入系统。系统内有3个域可以进行部署,启用的服务域1中存在4个交换节点和3个服务器,服务域2和服务域3均被简化成一个节点,如图4所示,图4是本发明的跨域SFC动态部署方法使用的VNFRs在域内节点的应答情况示意图。此时,所有节点都已经预测出可视化的资源情况,VNFs也由大到小给予排序,排序情况:
然后,节点由大到小排序后的前50%的节点依次与需要最大资源需求的进行比对。假设在上一步资源预测时,/>已经被判断资源值小于每一个VNFs所请求的资源值。因此,排除/>,挑选最大的节点/>和/>进行比较。若/>,说明域中节点/>预测的资源容量可以保证/>的部署,此时,扣除节点资源:
。
扣除后给予肯定答复。以此类推,预测资源容量第二大的节点也做同样处理。
扣除资源后的节点重新排序,再次取前50%的节点和接下来的进行对比并扣除资源值。通过这样的处理,假设的第v个SFCR的每一个VNFs均可以得到两种不一样的应答——1/0(肯定/拒绝),如表1所示。以这样一个表格作为SIRM,输入到最终的神经网络进行学习。
表1 VNFRs在各域节点的应答情况
步骤S4,基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。
本实施例中,步骤S4还可以包括步骤:
S41、多域控制器MDC 获取从域内控制器IDC 收集来的服务意愿应答矩阵。
多域控制器MDC 获取从域内控制器IDC 收集来的服务意愿应答矩阵的目的在于,以确定哪些 SFC 可以提供服务。
可以使用消息队列或网络通信等方式来实现步骤S41。具体来说,多域控制器MDC可以从消息队列中读取服务意愿应答矩阵消息,并解析消息内容来获得服务的提供情况。
S42、 根据服务意愿应答矩阵,多域控制器MDC 学习最佳部署策略。
根据服务意愿应答矩阵,多域控制器MDC 学习最佳部署策略的目的在于,以确定哪些 SFC 可以在节点上运行。
可以使用深度学习或神经网络等方式来实现步骤S42。具体来说,多域控制器MDC可以基于深度 Q 网络来学习最佳部署策略,以确定哪些 SFC 可以在节点上运行。通过资源预测和二进制应答,各域隐私得到保障。各域节点回传SIRM,MDC集中这些局部矩阵形成全局视图,利用全局视图学习出最佳部署策略并指挥各域被选择的节点提供资源对VNFs进行部署,并连接节点间的链路;等到部署结束后,MDC会接收到一个部署成功或失败的信号。利用成功信号,MDC可以判断部署的效果;利用失败信号,MDC可以加强学习提高部署成功率。具体学习过程将在第四部分提及。与此同时,在新的SFCRs到来时,各域节点会进行新一轮的资源预测和服务意愿应答,得到新的SIRM上传给MDC进行下一轮的部署。值得注意的是,在部署过程中,由于MDC接收的SFCR是动态进入系统的,因此SIRM会在每个时刻不断地进行更新,且更新的SIRM将服务于对应的SFCR,然后该SFCR就通过 MDC生成的最佳部署策略进行SFC的节点部署和链路链接。
节点部署:设是一个二态变量,表示SFC中第s个VNF是否已部署到第n个域中的第i个节点:
链路连接:设是一个二态变量,表示虚拟链路是否映射到第n个域中第i个节点到第j个节点之间的链路:
当上述两个二态变量均为1时,则代表SFC部署成功。但在部署过程中,还要考虑到部署过程中的资源、时延情况和其他限制条件。
为了提高部署成功率,在节点进行二进制应答前,对自适应应答模型进行了改进。请求部署的VNFs按资源会由大到小进行排序,排序后的VNFs在选择可部署节点时也是选择资源值最大的前50%的节点。部署成功后可以计算总的资源利用率以及每个被占用资源的节点的资源利用率:
端对端时延:SFC的端到端时延受计算、网络、存储资源、链路流量方式等多种因素影响。为了更高效地为IIoT等场景提供功能服务,SFC的部署要尽可能的降低端对端时延。通常端到端时延由四部分组成,即传播时延()、传输时延(/>)、处理时延(/>)和排队时延(/>)。这四种时延的定义如下:
传播时延(): 它的取值取决于物理链路的长度和信号在传输介质中的传输速度。
其中,表示网络中两个节点之间的距离,/>表示信号在链路中传播的速度(取决于链路的传输介质)。
传输时延():它的取值取决于数据帧从发送端发送到链路的周期,与数据包长度和数据传输速率有关。
其中,表示处理的数据包长度,/>表示数据包传输速率。
处理时延():它的取值取决于主机或系统需不需要处理接收到的数据包。数据包的处理包括但不限于分析报头、提取数据、检查错误和寻找合适的路由。随着数据速率的增加,处理器的负载变得更重,处理过程明显滞后。
SFC中第s个VNF在t时刻的处理时延可以表示为:
。
。
其中,表示第n个域的节点i在t时刻的负载利用率,/>表示每个节点的可用负载,/>表示每个VNF所需负载,/>是每个数据包的处理时间。
则t时刻第个SFC的处理时延表示为:
。
排队时延():在网络中传输的数据包要经过许多节点。在进入一个节点时,数据包通常在输入队列中排队。一旦节点确定了转发接口,它必须将包放入输出队列。此时,报文等待转发,可能会导致排队时延。根据排队理论,当服务器利用率增加时,队列引起的时延迅速增加。换句话说,链路带宽的高利用率会导致相当大的时延。为简单起见,本文假设链路带宽充足,即链路带宽利用率不过高,只考虑SFC在节点上产生的排队时延。
本实施例利用M/M/1队列模型,则数据包的排队时延为:
。
其中,表示到达第s个VNF的数据包的数据速率,/>表示到达第s个VNF的数据包的处理速率,且/>。
在M/M/1队列模型,报文到达遵循泊松分布,服务时间服从指数分布。表示为:
。
。
则t时刻第个SFC的排队时延表示为:
。
自此,SFC在t时刻的端对端时延为:
。
另外,为了保证SFC成功部署,还需要限制以下网络条件:
资源约束:表示第n个域的节点i在t时刻的资源利用率。为了保证VNF部署成功,节点必须有充沛的资源。因此对资源约束可表示为:
负载约束:表示第n个域的节点i在t时刻的负载利用率。因此对资源约束可表示为:
。
节点约束:每个VNF只能分配给网络中的一个节点。它被描述为
。
链路约束:VNFs之间的连接只能分配给网络中的一条链路。它被描述为
。
仅依靠SIRM,传统的方法并不能很好地学习出最佳部署策略,然而DQN算法在利用矩阵输入学习出优化策略方面具有明显的优势,因此,本实施例引入DQN,基于SIRM,通过优化SFC部署流程的时延、资源利用率等,协助MDC得到最佳SFC部署策略。这一策略将指定域内节点、链路对SFC进行部署,完成用户服务请求,保护各域隐私,提高跨域SFC部署的效率。
如算法1所示。SFC-AROA将一组顺序相连的VNFs作为输入,设该SFC的VNFs集合为,由MDC将该集合下达给各域控制器,各域控制器将请求集合提供给所有域内节点(第1行);同时,系统内存在节点集合/>,初始化预测值/>为0(第2行);随后,t时刻节点集合中的每一个节点/>的资源/>将和集合V内请求的资源/>(t)进行逐一比对,判断某一节点可以部署的VNFs集合/>,并将这些VNFs请求的资源进行加和,得到节点预测资源(第3-8行);对VNFs按资源由大到小进行排序,得到集合/>(第9行);将节点按预测值由大到小进行排序,选取前50%组成集合/>(第10-11行);按顺序将每一个VNF和选取的新节点集合/>进行逐一比对,假如节点/>的资源/>小于集合/>内请求的资源/>(t),给予一个肯定答复——answer=1;否则,answer=0(第12-17行)。
根据上述输出的SIRM,得到跨域SFC动态部署最佳方法。首先,整个系统包括两个基本组件,即观察到的SIRM和作为智能体兼中央控制器的MDC,这些组件结合DQN作出跨域SFC部署最佳决策方案,优化并实现SFC部署工作。首先马尔科夫建模,然后基于DQN进行SFC跨域部署。
马尔科夫建模的步骤:
跨域SFC动态部署过程中,当前状态的SFC要实现部署,必须依赖于前一个状态,即上一个时刻的应答情况。考虑到SFCR的随机性以及拓扑网络的复杂性,传统的方法无法在保证SFC成功部署的同时达到低时延、高资源利用率以及隐私保护等的优势。要想解决这样一个非确定性多项式困难问题(Non-deterministic Polynomial-Hard Problem, NP-HardProblem), 可以将问题转化为马尔科夫过程(Markov Process, MP),然后再结合DQN算法进行解决。
MDC集中各域反馈的SIRM组成全局视图,将其作为模型的状态()。在策略形成后,各域控制器就会根据MDC的指示执行跨域SFC动态部署策略,该执行动作表示为/>。考虑一个标准的DQN设置,MDC通过与环境交互不断学习,通过奖励提高自身性能。那么,下一个状态和预期奖励就可以通过当前状态和所采取的行动来预测。MDC能够通过采取行动、观察过渡转移、获取下一个奖励函数值来挖掘SFC部署的特性,从而更新部署决策使决策达到最佳。接下来,本节将对MP进行建模并对其算法进行描述。
在SFC跨域部署问题的建模过程中,定义基于DQN任务的基本元素可以用三元组>表示。其中S表示状态,A表示行动,R表示部署任务完成后的奖励。本实施例的状态S就是各域服务意愿应答在MDC内组合成的全局视图。设/>(t)表示t时刻的网络状态,,/>},/>。其中,无向图/>表示所有域的节点、链路集合,/>是节点/>的预测资源容量,/>表示每个/>的所需资源。可以将/>输入基于DQN进行训练,根据最终获得的奖励不断更新模型,从而输出SFC最佳部署策略。
根据SFC跨域部署策略,SFC部署动作就是VNFs在各域选择策略上给定的节点和链路执行部署动作。在这里可以定义,其中,/>为t时刻部署完成后用户请求服务流量,/>和/>均为二态变量,具体含义可见公式(6)和(7)。当部署成功后,用户流量顺利通过SFC,服务才算完成,部署才算成功。
MDC通过与全局视图交互,不断学习,通过奖励提高自身性能,将跨域SFC动态部署问题建模为各域时延低、资源利用率高、SFC接受率高的马尔科夫决策问题。其中,较大的资源利用率和更低的服务时延就能实现更高的奖励。此外,为了保证每一个VNF都可以选到节点进行部署,本实施例在奖励中增设了选择不同节点的参数和奖励折扣,将资源占用率、时延的逆函数作为采取行动后的奖励。累计奖励为:
其中,表示奖励折扣,且/>。式中/>和/>表示在状态s采取动作a后获得的即时奖励。/>是判断MDC选择的节点的应答情况,如果answer=1,给予一个较大的奖励;answer=0,给予一个较小的奖励。/>是判断MDC选择的节点是否为同一个节点,如果选择的全部节点有重复节点,则给予一个较大的奖励;否则,给予一个较小的奖励。/>避免系统为了降低时延而不断选择同一个节点导致节点资源不足,最终部署失败。
基于DQN的SFC跨域部署的步骤:
图5是本发明的跨域SFC动态部署方法使用的基于DQN的SFC部署示意图。如图5所示,DQN 是指基于深度学习的Q-learning 算法,主要结合了值函数近似(Value FunctionApproximation,VFA)与神经网络技术,引入了经验池,并采用了目标网络和经历回放的方法进行网络的训练。首先,MDC观测到各域SIRM(),将其作为输入组合成全局视图(W)(第1行);初始化节点预测值/>为0,初始化Q网络(第2行);在t时刻,MDC为输入的SRCR选择矩阵内节点供VNFs进行部署,MDC利用当前的权值迭代计算动作a(line 3-5);动作执行后,得到即时奖励,MDC将获得一个奖励/>,这将使当前状态s转换到下一个状态/>(第6-10行);重复上一步,转换的/>并存储到经验池,用于训练MDC(第11行);当MDC满足足够的过渡样本后,可以从经验池选择一个小批量数据进行训练(第12-13行);MDC获取新状态的批处理,确定预测操作。在这个过程中,DQN采用双网络结构(目标网络和评估网络)以及深度神经网络,构建目标网络Q值和评估网络μ值。目标网络中,可以计算更新策略如下:
其中和/>分别为新状态下目标网络/>和评估网络/>的权值,/>为控制目标网络更新范围的参数。损失函数可以通过预测的动作来计算(line 14-15);评估网络利用新状态的批处理和参与者的预测动作来确定目标μ值。对于每一个训练片段,目标网络和评估网络都会根据损失函数得到更新,直到奖励收敛。另外,评估网络计算梯度并更新到MDC(line16-17)。一般来说,通过最小化损失函数来更新网络参数:
目标网络可以采用最新的来更新参数。参数更新方案可以打破学习经验的相关性,从而稳定训练过程。
需要强调的是,为进一步保证上述跨域SFC最佳部署策略信息的私密和安全性,上述跨域SFC最佳部署策略信息还可以存储于一区块链的节点中。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
与现有技术相比,本实施例的优势在于:
其一,构建了分布式跨域SFC部署模型,提出一种SFC接受率优化算法(AcceptanceRate Optimization Algorithm, AROA),利用域内节点资源预测,提高SFC部署接受率;多域控制器MDC充当中央控制器,与各域控制器进行信息交互,由各域控制器协调域内节点,结合多域控制器MDC下发的SFCR进行资源预测,为服务功能跨域部署提供条件。
其二,提出了基于域内应答的SIRM,防止暴露域内信息。利用节点预测结果与每一个VNF所需资源进行比对,在不上传域内节点信息的同时,给出节点服务意愿——接受/拒绝(1/0),建立SIRM。
其三,通过SIRM,提出基于DQN的SFC跨域部署算法(Cross-Domain DeploymentAlgorithm,CDDA),实现灵活并且高效的SFC跨域部署。DQN根据过去的动作和奖励,学习出最佳的SFC部署策略,由MDC指挥各域服务器进行服务功能的部署,最终实现用户服务请求。
实施本实施例,其有益效果是:首先多域控制器接收到服务功能链请求后,域内服务器基于节点资源容量和VNFs请求的资源情况,预测各节点资源情况并给出服务意愿,是接受还是拒绝,形成服务意愿应答矩阵,其次深度Q网络利用SIRM学习出SFC最佳部署策略,在保护域间隐私的前提下,实现优化跨域服务部署,并提高部署的成功率;基于一种资源预测和域内二进制应答的跨域SFC部署,在不上传任何域间隐私信息的前提下,实现服务功能的跨域部署。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图6,作为对上述图1所示方法的实现,本发明提供了一种跨域SFC动态部署装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例跨域SFC动态部署装置50包括:获取模块51、下发模块52、比对模块53以及部署模块54。其中:
获取模块51,用于获取服务功能链请求;
下发模块52,用于由多域控制器接收服务功能链请求,将服务功能链请求下发给各域控制器;
比对模块53,用于各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵;
部署模块54,用于基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。
在本实施例的一些可选的实现方式中,获取模块51进一步包括:
接收模块,用于由多域控制器接收到来自客户端的服务功能链请求;
检查模块,用于由多域控制器检查服务功能链请求中包含的参数;
决定模块,用于多域控制器根据服务功能链请求的类型,来决定是否继续执行服务链请求。
在本实施例的一些可选的实现方式中,下发模块52进一步包括:
发送模块,用于多域控制器MDC发送服务功能链请求给域内控制器IDC;
处理模块,用于域内控制器IDC 接收来自多域控制器MDC的服务功能链请求,并进行处理。
在本实施例的一些可选的实现方式中,比对模块53进一步包括:
VNF请求资源获取模块,用于由域内控制器IDC 获取各个VNF的请求资源;
节点资源情况获取模块,用于由域内控制器IDC 获取节点的资源情况;
预测节点资源模块,用于域内控制器IDC 预测节点资源;
比较模块,用于域内控制器IDC 比较VNF所需资源和节点可视资源;
服务意愿应答矩阵生成模块,用于域内控制器IDC 生成服务意愿应答矩阵。
在本实施例的一些可选的实现方式中,部署模块54进一步包括:
服务意愿应答矩阵获取模块,用于多域控制器MDC 获取从域内控制器IDC 收集来的服务意愿应答矩阵;
学习部署模块,用于根据服务意愿应答矩阵,多域控制器MDC 学习最佳部署策略。
实施本实施例,其有益效果是:首先多域控制器接收到服务功能链请求后,域内服务器基于节点资源容量和VNFs请求的资源情况,预测各节点资源情况并给出服务意愿,是接受还是拒绝,形成服务意愿应答矩阵,其次深度Q网络利用SIRM学习出SFC最佳部署策略,在保护域间隐私的前提下,实现优化跨域服务部署,并提高部署的成功率;基于一种资源预测和域内二进制应答的跨域SFC部署,在不上传任何域间隐私信息的前提下,实现服务功能的跨域部署。
实施例三
为解决上述技术问题,本发明实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
上述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件存储器61、处理器62和网络接口63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
上述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。上述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
上述存储器61至少包括一种类型的可读存储介质,上述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,上述存储器61可以是上述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,上述存储器61也可以是上述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。当然,上述存储器61还可以既包括上述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,上述存储器61通常用于存储安装于上述计算机设备6的操作系统和各类应用软件,例如跨域SFC动态部署方法的计算机可读指令等。此外,上述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
上述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制上述计算机设备6的总体操作。本实施例中,上述处理器62用于运行上述存储器61中存储的计算机可读指令或者处理数据,例如运行上述跨域SFC动态部署方法的计算机可读指令。
上述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在上述计算机设备6与其他电子设备之间建立通信连接。
实施本实施例,其有益效果是:首先多域控制器接收到服务功能链请求后,域内服务器基于节点资源容量和VNFs请求的资源情况,预测各节点资源情况并给出服务意愿,是接受还是拒绝,形成服务意愿应答矩阵,其次深度Q网络利用SIRM学习出SFC最佳部署策略,在保护域间隐私的前提下,实现优化跨域服务部署,并提高部署的成功率;基于一种资源预测和域内二进制应答的跨域SFC部署,在不上传任何域间隐私信息的前提下,实现服务功能的跨域部署。
实施例四
本发明还提供了另一种实施方式,即提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可读指令,计算机可读指令可被至少一个处理器执行,以使至少一个处理器执行如上述的跨域SFC动态部署方法的步骤。
实施本实施例,其有益效果是:首先多域控制器接收到服务功能链请求后,域内服务器基于节点资源容量和VNFs请求的资源情况,预测各节点资源情况并给出服务意愿,是接受还是拒绝,形成服务意愿应答矩阵,其次深度Q网络利用SIRM学习出SFC最佳部署策略,在保护域间隐私的前提下,实现优化跨域服务部署,并提高部署的成功率;基于一种资源预测和域内二进制应答的跨域SFC部署,在不上传任何域间隐私信息的前提下,实现服务功能的跨域部署。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例方法。
显然,以上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,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (10)
1.一种跨域SFC动态部署方法,其特征在于,包括下述步骤:
多域控制器获取服务功能链请求;
由多域控制器将所述服务功能链请求下发给各域控制器;
各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵;
基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。
2.根据权利要求1所述的跨域SFC动态部署方法,其特征在于,所述获取服务功能链请求的步骤具体包括:
由多域控制器接收到来自客户端的所述服务功能链请求;
由所述多域控制器检查所述服务功能链请求中包含的参数;
所述多域控制器根据所述服务功能链请求的类型,来决定是否继续执行服务链请求。
3.根据权利要求1所述的跨域SFC动态部署方法,其特征在于,所述多域控制器将所述服务功能链请求下发给各域控制器的步骤具体包括:
所述多域控制器MDC发送所述服务功能链请求给域内控制器IDC;
所述域内控制器IDC 接收来自所述多域控制器MDC的所述服务功能链请求,并进行处理。
4.根据权利要求3所述的跨域SFC动态部署方法,其特征在于,所述各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵的步骤具体包括:
由域内控制器IDC 获取各个VNF的请求资源;
由域内控制器IDC 获取节点的资源情况;
域内控制器IDC 预测节点资源;
域内控制器IDC 比较VNF所需资源和节点可视资源;
域内控制器IDC 生成服务意愿应答矩阵。
5.根据权利要求1所述的跨域SFC动态部署方法,其特征在于,所述基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略的步骤具体包括:
多域控制器MDC 获取从域内控制器IDC 收集来的服务意愿应答矩阵;
根据服务意愿应答矩阵,多域控制器MDC 学习最佳部署策略。
6.根据权利要求5所述的跨域SFC动态部署方法,其特征在于,在所述基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略的步骤之后还包括:
将所述跨域SFC最佳部署策略存储至区块链中。
7.一种跨域SFC动态部署装置,其特征在于,包括:
获取模块,用于获取服务功能链请求;
下发模块,用于由多域控制器接收所述服务功能链请求,将所述服务功能链请求下发给各域控制器;
比对模块,用于各域控制器利用虚拟网络功能VNFs请求资源和域内节点资源的比对,预测节点资源,将预测的节点资源作为节点的可视资源值,与虚拟网络功能VNFs所需资源做二次比较,给出为每一个虚拟网络功能VNFs服务的意愿,形成服务意愿应答矩阵;
部署模块,用于基于服务意愿应答矩阵,由深度Q网络学习输出跨域SFC最佳部署策略。
8.根据权利要求7所述的跨域SFC动态部署装置,其特征在于,所述比对模块包括:
VNF请求资源获取模块,用于由域内控制器IDC 获取各个VNF的请求资源;
节点资源情况获取模块,用于由域内控制器IDC 获取节点的资源情况;
预测节点资源模块,用于域内控制器IDC 预测节点资源;
比较模块,用于域内控制器IDC 比较VNF所需资源和节点可视资源;
服务意愿应答矩阵生成模块,用于域内控制器IDC 生成服务意愿应答矩阵。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的跨域SFC动态部署方法的步骤。
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计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的跨域SFC动态部署方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771504.2A CN116545877B (zh) | 2023-06-28 | 2023-06-28 | 跨域sfc动态部署方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771504.2A CN116545877B (zh) | 2023-06-28 | 2023-06-28 | 跨域sfc动态部署方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116545877A CN116545877A (zh) | 2023-08-04 |
CN116545877B true CN116545877B (zh) | 2023-09-05 |
Family
ID=87454491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310771504.2A Active CN116545877B (zh) | 2023-06-28 | 2023-06-28 | 跨域sfc动态部署方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116545877B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110166304A (zh) * | 2019-05-31 | 2019-08-23 | 北京邮电大学 | 一种跨域sfc的编排方法、装置、电子设备及存储介质 |
CN110995858A (zh) * | 2019-12-17 | 2020-04-10 | 大连理工大学 | 一种基于深度q网络的边缘网络请求调度决策方法 |
CN113794748A (zh) * | 2021-08-03 | 2021-12-14 | 华中科技大学 | 一种性能感知的服务功能链智能部署方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110545228B (zh) * | 2019-07-26 | 2020-11-20 | 北京邮电大学 | 服务功能链请求处理方法及系统 |
-
2023
- 2023-06-28 CN CN202310771504.2A patent/CN116545877B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110166304A (zh) * | 2019-05-31 | 2019-08-23 | 北京邮电大学 | 一种跨域sfc的编排方法、装置、电子设备及存储介质 |
CN110995858A (zh) * | 2019-12-17 | 2020-04-10 | 大连理工大学 | 一种基于深度q网络的边缘网络请求调度决策方法 |
CN113794748A (zh) * | 2021-08-03 | 2021-12-14 | 华中科技大学 | 一种性能感知的服务功能链智能部署方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于软件定义网络资源优化的虚拟网络功能部署策略;黄梅根;汪涛;刘亮;庞瑞琴;杜欢;;计算机科学(S1);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116545877A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114172820B (zh) | 跨域sfc动态部署方法、装置、计算机设备及存储介质 | |
CN109246027B (zh) | 一种网络维护的方法、装置和终端设备 | |
Chen et al. | Edge intelligent networking optimization for internet of things in smart city | |
CN109274717A (zh) | 基于区块链的共享存储方法、装置、介质及电子设备 | |
CN111090631B (zh) | 分布式环境下的信息共享方法、装置和电子设备 | |
CN116032663A (zh) | 基于边缘设备的隐私数据处理系统、方法、设备及介质 | |
CN109568948A (zh) | 网络游戏中对象的运动状态同步方法及装置 | |
Hou et al. | An intelligent transaction migration scheme for RAFT-based private blockchain in Internet of Things applications | |
CN115066694A (zh) | 计算图优化 | |
CN111211984B (zh) | 优化cdn网络的方法、装置及电子设备 | |
Kobzan et al. | Utilizing blockchain technology in industrial manufacturing with the help of network simulation | |
Jameel et al. | Optimizing blockchain networks with artificial intelligence: Towards efficient and reliable IoT applications | |
CN116669111A (zh) | 一种基于区块链的移动边缘计算任务卸载方法 | |
Jain et al. | Blockchain enabled trusted task offloading scheme for fog computing: A deep reinforcement learning approach | |
CN114372581A (zh) | 基于区块链的联邦学习方法、装置和计算机设备 | |
Huang et al. | Collective reinforcement learning based resource allocation for digital twin service in 6G networks | |
AlOrbani et al. | Load balancing and resource allocation in smart cities using reinforcement learning | |
CN116545877B (zh) | 跨域sfc动态部署方法、装置、计算机设备及存储介质 | |
CN113765993A (zh) | 一种下载速度预测方法、装置及存储介质 | |
CN116074323B (zh) | 边缘计算节点的选择方法、装置、计算机设备及介质 | |
Fan et al. | DRL-D: revenue-aware online service function chain deployment via deep reinforcement learning | |
Nguyen et al. | Blockchain as a service for multi-access edge computing: A deep reinforcement learning approach | |
CN111324839A (zh) | 建筑大数据缓存方法及装置 | |
CN116367190A (zh) | 一种面向6g移动网络的数字孪生功能虚拟化方法 | |
Wu et al. | Deep reinforcement learning-based online task offloading in mobile edge computing networks |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Cai Jun Inventor after: Zhou Zirui Inventor after: Luo Jianzhen Inventor after: Yang Dao Inventor before: Cai Jun Inventor before: Zhou Zirui Inventor before: Luo Jianzhen Inventor before: Yang Dao |
|
CB03 | Change of inventor or designer information |