CN116781532A - 融合网络架构中服务功能链的优化映射方法及相关设备 - Google Patents

融合网络架构中服务功能链的优化映射方法及相关设备 Download PDF

Info

Publication number
CN116781532A
CN116781532A CN202310295268.1A CN202310295268A CN116781532A CN 116781532 A CN116781532 A CN 116781532A CN 202310295268 A CN202310295268 A CN 202310295268A CN 116781532 A CN116781532 A CN 116781532A
Authority
CN
China
Prior art keywords
representing
service
service function
mapping
function chain
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
Application number
CN202310295268.1A
Other languages
English (en)
Inventor
欧清海
张宁池
朱红
王艳茹
王文帝
马文洁
邵苏杰
章林
宋继高
杨林青
刘卉
张洁
苏丽丽
郭少勇
刘军雨
何海洋
陈文伟
杨颖琦
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.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Beijing Zhongdian Feihua Communication Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Beijing Zhongdian Feihua Communication Co Ltd
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 State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, Beijing University of Posts and Telecommunications, State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd, Beijing Zhongdian Feihua Communication Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310295268.1A priority Critical patent/CN116781532A/zh
Publication of CN116781532A publication Critical patent/CN116781532A/zh
Pending legal-status Critical Current

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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • H04L67/1078—Resource delivery mechanisms
    • H04L67/1082—Resource delivery mechanisms involving incentive schemes

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供一种融合网络架构中服务功能链的优化映射方法及相关设备，所述融合网络包括若干服务器节点。所述方法包括：获取服务功能链请求和每个所述服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息；根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系；对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。本申请的方案，更加灵活地协同调度网络资源，减少网络的资源阻塞，满足低时延、高可靠、大带宽等电力业务需求。

Description

融合网络架构中服务功能链的优化映射方法及相关设备
技术领域
本申请涉及通信技术领域，尤其涉及一种融合网络架构中服务功能链的优化映射方法及相关设备。
背景技术
网络功能虚拟化技术(Network Function Virtualization，NFV)，即，将硬件设备转移到虚拟机中，从而提高服务的灵活性、提升网络开放性。在网络功能虚拟化中，服务功能链(Service Function Chains，SFC)由有序的虚拟网络功能(Virtual NetworkFunction，VNF)组成，VNF通过实现网络功能的动态部署和互连来提供灵活性，以实现SFC。
有效的SFC映射可以灵活处理海量数据流并进行过滤、学习、使用、压缩和处理，为终端物联网用户提供高效、可扩展和经济的网络服务。但在低时延、高可靠的电力网络业务要求下，，基于NFV的网络相较于传统网络具有更高的可用性要求，而相关技术中的服务功能链的映射方案无法满足需求。
发明内容
有鉴于此，本申请的目的在于提出一种融合网络架构中服务功能链的优化映射方法及相关设备，以解决或部分解决上述问题。
本申请第一方面，提供了一种融合网络架构中服务功能链的优化映射方法，所述融合网络架构包括若干服务器节点；
所述方法包括：
获取服务功能链请求和每个所述服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息；
根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系；
对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。
可选的，所述对所述马尔科夫决策过程模型进行求解得到映射策略，包括：
根据所述服务功能链请求的电力业务类型，确定优先级策略及奖励函数；
建立与所述资源信息对应的约束条件，并根据所述约束条件构建联合优化目标模型；
基于所述优先级策略和所述约束条件，在所述融合网络架构中筛选出可行节点；
在所述可行节点中，以所述奖励函数最大化为目的，利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果，并根据所述求解结果和所述奖励函数，确定映射策略。
可选的，所述融合网络架构包括基于5G的电力融合接入层和5G-MEC多接入边缘计算层；所述电力业务类型包括时延敏感型业务和时延容忍型业务；
所述根据所述服务功能链请求的电力业务类型，确定优先级策略，包括：
响应于确定所述服务功能链请求的电力业务类型为时延敏感型业务，所述优先级策略为：
从映射前任节点到基于5G的电力融合接入层的子网中各个邻居节点；从映射前任节点到基于5G的电力融合接入层的子网的簇头节点；从映射前任节点到5G-MEC多接入边缘计算层中的各个节点；
响应于确定所述服务功能链请求的电力业务类型为时延容忍型业务，所述优先级策略为：
从映射前任节点到基于5G的电力融合接入层的子网的簇头节点；从映射前任节点到5G-MEC多接入边缘计算层中的各个节点；
其中，所述前任节点表征在映射当前节点时所映射成功的前一个节点。
可选的，所述资源信息包括所述服务器节点的计算资源总量、存储资源总量和带宽资源总量；所述需求信息包括所述虚拟网络功能的计算资源需求、存储资源需求和带宽资源需求；
所述建立与所述资源信息对应的约束条件，并根据约束条件构建联合优化目标模型，包括：
根据所述服务器节点的计算资源总量、存储资源总量和带宽资源总量，建立时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件；
根据所述时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件，构建联合优化目标模型；
所述时延约束条件为：
其中，Tr表示服务功能链的容忍时延；tr表示总响应延迟，表征服务功能链映射的服务器节点组成的物理链路的通信时延与所述物理链路的所有服务器节点上的虚拟网络功能的处理时延之和；r∈R表示服务功能链集合；
所述剩余计算资源约束条件为：
其中，表示在时隙τ服务器节点v的剩余计算资源；/>表示服务器节点v的计算资源总量；f∈F表示虚拟网络功能集合；/>表示在时隙τ服务器节点v上映射有虚拟网络功能f的数量；/>表示虚拟网络功能的计算资源需求；v∈V,V*表示基于5G的电力融合接入层和5G-MEC多接入边缘计算层的服务器节点集合；
所述剩余存储资源约束条件为：
其中，表示在时隙τ服务器节点v的剩余存储资源；/>表示服务器节点v的存储资源总量；/>表示虚拟网络功能的存储资源需求；
所述剩余带宽资源约束条件为：
其中，表示在时隙τ所述服务器节点的剩余带宽资源；Wv表示所述服务器节点的带宽资源总量；yr∈{0,1}表示服务功能链r是否成功映射；/>表示服务功能链r的带宽需求；/>表示在时隙τ服务器节点v上是否映射有虚拟网络功能f。
可选的，所述基于所述优先级策略和所述约束条件，在所述融合网络架构中筛选出可行节点，包括：
基于所述优先级策略在所述融合网络架构中进行可行节点搜索，获得可行节点；其中，所述可行节点满足所述时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件。
可选的，所述联合优化目标模型的联合优化目标函数为：
其中，ξcpu表示服务器资源单位的计算成本；ξmem表示服务器资源单位的处理成本；ξW表示消耗带宽的单位成本。
可选的，所述奖励函数为：
其中，R1表示所述服务功能链请求的电力业务类型为时延敏感型业务且映射成功的奖励函数；R′1表示所述服务功能链请求的电力业务类型为时延敏感型业务且映射失败的奖励函数；R2表示所述服务功能链请求的电力业务类型为时延容忍型业务且映射成功的奖励函数；R′2表示所述服务功能链请求的电力业务类型为时延容忍型业务且映射失败的奖励函数；κ1表示第一权重系数；κ2表示第二权重系数；κ3表示第三权重系数；Ωr,s1,Ωr,s2为 的评价指标；Ωr,s1表示第一数目，表征在所述基于5G的电力融合接入层的成功映射虚拟网络功能所在的服务器节点的数量；Ωr,s2表示第二数目，表征在所述5G-MEC多接入边缘计算层的成功映射虚拟网络功能所在的服务器节点的数量；senr为根据所述服务功能链请求的电力业务类型确定的。
可选的，所述构建马尔科夫决策过程模型，包括：
对于每一个所述可行节点，确定对应的状态和动作；
将所有可行节点的所述状态构成的集合作为状态空间，以及将所述动作构成的集合作为动作空间；
根据所述状态空间和所述动作空间，构建马尔科夫决策过程模型；
所述状态空间为：对于每个状态
其中，表示在时隙τ所有服务器节点的剩余计算资源；/>表示在时隙τ所有服务器节点的剩余存储资源；/>表示在时隙τ所有服务器节点的剩余带宽资源；表示当前服务功能链的剩余延迟空间，其中tr,τ表示在时隙τ服务功能链r的总响应延迟；Ar表示服务功能链r的属性信息，包括所述服务功能链r的有序服务器节点集、带宽需求、容忍时延和时隙；pre表示映射前任节点；
所述动作空间为：
其中，表示服务器节点v上是否映射有服务功能链r中的虚拟网络功能。
可选的，所述在所述可行节点中，以所述奖励函数最大化为目的，利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果，并根据所述求解结果和所述奖励函数，确定映射策略，包括：
在所述可行节点中，以所述奖励函数最大化为目的，基于深度强化学习方法利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果；其中，所述求解结果表征实时奖励；
根据所述求解结果，基于所述奖励函数计算得到所述第一数目和所述第二数目，根据所述第一数目和所述第二数目得到映射策略。
本申请第二方面，提供了一种融合网络架构中服务功能链的优化映射装置，所述融合网络架构包括若干服务器节点；
所述装置包括：
获取模块，被配置为：获取服务功能链请求和每个所述服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息；
构建模块，被配置为：根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系；
求解模块，被配置为：对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。
本申请第三方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的方法。
本申请第四方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行如第一方面所述的方法。
本申请第五方面，提出了一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行如第一方面所述的方法。
从上面所述可以看出，本申请提供的融合网络架构中服务功能链的优化映射方法及相关设备，将融合网络架构中服务器节点与服务功能链的虚拟网络功能的映射优化问题建模为马尔科夫决策过程模型，并通过求解该马尔科夫决策过程模型得到映射策略以执行映射策略，从而形成完整的服务功能链，进而更加灵活地协同调度网络资源，减少网络的资源阻塞，满足低时延、高可靠、大带宽等电力业务需求。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请实施例的融合网络架构中服务功能链的优化映射方法的流程示意图；
图2为本申请实施例的示例性的融合网络架构及其对应电力业务请求的VNF映射方案的示意图；
图3为本申请实施例的示例性PPO算法、随机算法和本实施例的映射策略对于服务功能链的映射所消耗的平均时延的对比示意图；
图4为本申请实施例的示例性PPO算法、随机算法和本实施例的映射策略对于服务功能链的映射所消耗的平均成本的对比示意图；
图5为本申请实施例的融合网络架构中服务功能链的优化映射装置的结构示意图；
图6为本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合附图对本申请的实施例进行详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
新型电力系统的加快建设使得待处理的业务信息数量大幅度扩增，且越来越多通信方式导致各不相同的终端设备被接入电网，进而导致通信通道需求不断增加，对通信网的覆盖范围、可靠性、接入灵活性和网络性能要求更加严格。而电力业务终端的通信需求也因业务类型、环境条件等因素呈现差异化。
虽相关技术中提出了网络功能虚拟化技术(Network Function Virtualization，NFV)，即，将硬件设备转移到虚拟机中，从而提高服务的灵活性、提升网络开放性。在网络功能虚拟化中，服务功能链(Service Function Chains，SFC)由有序的虚拟网络功能(Virtual Network Function，VNF)组成，VNF通过实现网络功能的动态部署和互连来提供灵活性，以实现SFC。而电网业务的交付往往需要各种支持NFV的网络业务功能，即虚拟设备驱动程序、数据聚合器、数据压缩器或特征提取器等。
有效的SFC映射可以灵活处理海量数据流并进行过滤、学习、使用、压缩和处理，为终端物联网用户提供高效、可扩展和经济的网络服务。但在低时延、高可靠的电力网络业务要求下，任一VNF的故障均会导致SFC链路中断，进而导致某个网络业务崩解。因此，基于NFV的网络相较于传统网络具有更高的可用性要求。
鉴于此，本申请实施例提供了一种融合网络架构中服务功能链的优化映射方法及相关设备，将融合网络架构中服务器节点与服务功能链的虚拟网络功能的映射优化问题建模为马尔科夫决策过程模型，并通过求解该马尔科夫决策过程模型得到映射策略以执行映射策略，从而更加灵活地协同调度网络资源，减少网络的资源阻塞，满足低时延、高可靠、大带宽等电力业务需求。
需要说明的是，本申请实施例中，融合网络为基于5G的电力融合接入网与5G-MEC(多接入边缘计算)网络的融合，可以将计算能力带到移动网络的边缘，从而减少延迟并降低5G-MEC层网络的负荷。即，本申请实施例中的融合网络包括基于5G的电力融合接入层和5G-MEC层。
其中，融合接入层的主体为多链路融合终端构成的电力融合接入网，各个融合终端可以通过直连的方式，或者经由多跳自组网(如IAB、mesh等技术)中的最后一跳节点接入上层传输网络。电力业务终端在特定的占用空间内生成功能服务链请求，这些请求通过无线电接口传输到接入网中的融合终端。进而由子网中相邻融合终端服务器节点形成一个集群来处理请求。在该层每个子网中，只有子网簇头可与5G-MEC层连接。
在5G-MEC层中，不同MEC节点组成了通存算网络。融合接入层通过5G基站接入到该网络中。该MEC网络为一个广域的资源协同。不光可以调用最近的MEC节点，也可以调用其他资源空闲的MEC节点。每个MEC节点资源充分时可以接管融合接入层的一个或多个接入网的子网，继而形成两网之间的连接处，所述架构利用数个连接处来连接两个网络并实现数据传递，且子网簇头的融合终端可直接接入5G-MEC层。
需要说明的是，本申请实施例中，由于每条SFC的数据流只由其VNF转发处理，因此NFV技术能够在所述两网融合场景下有效保障电力通信业务数据安全。
图1示出了本申请实施例的融合网络架构中服务功能链的优化映射方法100的流程示意图。如图1所示，该方法100可以包括以下步骤。
步骤S101、获取服务功能链请求和每个服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息。
首先，对本实施例的融合网络架构进行具体定义。将融合网络的物理资源抽象化为无向赋权图G＝(V,E,AV,AE)。其中，V表示服务器节点集合，且 融合接入层的子网簇头或5G-MEC层的服务器节点为m个；E表示物理链路集合，且e(v,v′)∈E，每条物理链路为相互连接的服务器节点组成；表示服务器节点属性，/>表示服务器节点v的计算资源总量，表示服务器节点v的存储资源总量；AE＝{Wv,Tv,u}表示物理链路属性，Wv为每条物理链路中服务器节点的带宽资源总量(每条物理链路的总带宽容量为该物理链路中所有服务器节点的带宽资源总量的总和)，Tv,u为物理链路的通信转发时延(物理链路中服务器节点u,v之间的通信时延之和)。
也就是说，本实施例中，针对每一条服务功能链请求，需要将其虚拟网络功能的请求映射到底层的物理网络中，即，服务功能链的若干虚拟节点需要映射至若干底层物理节点(融合终端的服务器节点)中。物理节点提供所需的计算资源、存储资源等，以及这些资源对应的功能，并且，物理链路会分配适当数量的带宽，用来传输虚拟节点之间的业务流。这样，虚拟链路映射至物理链路上，可以通过服务功能链与服务终端或彼此之间进行通信。
本实施例中，服务器节点的资源信息包括所述服务器节点的计算资源总量、存储资源总量和带宽资源总量；虚拟网络功能的需求信息包括所述虚拟网络功能的计算资源需求、存储资源需求和带宽资源需求。
其次，定义虚拟网络功能。虚拟网络功能服务实例用变量fi∈F＝{f1,f2,...,fi}来表示，其属性为其中，/>表示虚拟网络功能的计算资源需求；/>表示虚拟网络功能的存储资源需求；tf表示虚拟网络功能的处理时延。可以理解，在本实施例的融合网络架构中，多个虚拟网络功能实例可共享同一服务器节点进行业务处理，直到该服务器节点的剩余可用资源无法再次部署虚拟网络功能实例。
进一步的，定义服务功能链。服务功能链表示为r∈R＝{r1,r2,...,r|R|}，其属性为4元数组其中，/>表示服务功能链r的有序服务器节点集；/>表示服务功能链r的带宽需求，即，服务功能链r的所有虚拟网络功能的带宽需求的总和；Tr表示服务功能链的容忍时延。可以理解，对于服务功能链请求，当其业务流的累计时延超出该容忍时延，则视为SLA违例，则该服务功能链请求将被拒绝。
步骤S102、根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系。
图2示出了示例性的融合网络架构及其对应电力业务请求的VNF映射方案。如图2所示，有3个服务器节点，服务器节点1和服务器节点2存在的剩余资源分别能够满足VNF1和VNF2的部署资源需求，服务器节点3空闲；NFV-MANO为SFC链的VNF节点部署编排器，负责收集请求并按序处理请求。
在部署SFC请求时，包括两种方案：方案1，VNF1部署在服务器节点1，VNF2部署在服务器节点2；方案2，将VNF1、VNF2整合部署在服务器节点3。可以理解，方案1在部署VNF时，继续保持服务器节点3空闲，进而降低了系统运行成本，但增加了系统的带宽占用和请求的通信时延；方案2通过整合VNF改善了请求的QoS(Quality of Service，服务质量)，最大化其接受请求的总吞吐量，但增加了网络服务的部署成本开销。
从上述示例可以看出，对于融合网络架构中服务器节点与服务功能链的虚拟网络功能的映射优化问题，需要考虑网络服务质量和部署成本开销之间的选择。然而，对于相关技术中的映射方案，并没有兼顾二者。
相关技术提出了一种服务功能链部署方法，但对于网络服务部署成本开销，仅考虑了约束虚拟网络功能所消耗的计算资源。既没有将虚拟网络功能所消耗的存储资源考虑在部署成本开销范围内，也没有将网络服务部署成本开销和时延同时作为联合优化目标进行优化求解。
而，本实施例将最大化网络吞吐量、最小化链路映射成本作为联合优化目标，构建联合优化目标模型，并基于该联合优化目标模型进一步构建奖励函数，从而构建马尔科夫决策过程模型。
具体实施时，基于5G的电力融合接入网与5G-MEC的编排架构，建立与资源信息对应的约束条件，并根据约束条件构建联合优化目标模型。即，根据服务器节点的计算资源总量、存储资源总量和带宽资源总量，建立功能请求链映射的约束条件与联合优化目标，从而构建得到联合优化目标模型。
具体的，该联合优化目标模型的约束条件包括时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件，具体分别如下。
对于服务功能链请求，当其业务流的累计时延超出其容忍时延，则视为SLA违例，则该服务功能链请求将被拒绝。即，为满足服务功能链请求的正常运作，服务功能链请求r∈R的所有虚拟网络功能均需要成功映射，且实际端到端总响应延迟不能超过其最大响应时延限制(容忍时延)。为此，建立时延约束。
所述时延约束条件为：
其中，Tr表示服务功能链的容忍时延；tr表示总响应延迟。
所述总响应延迟表征服务功能链映射的服务器节点组成的物理链路的通信时延与所述物理链路的所有服务器节点上的虚拟网络功能的处理时延之和。
总响应延迟可以表示为：
其中，u,v分别表示服务器节点；为二进制变量，即/>表示服务功能链r∈R中的虚拟网络功能实例fi是否映射在服务器节点v上。相应的，/>表示服务功能链r∈R中的虚拟网络功能实例fi是否映射在服务器节点u上。
另外，以表示在时隙τ服务器节点v上映射的属于服务功能链r∈R的虚拟网络功能实例数量。则：/>
所述剩余计算资源约束条件为：
其中，表示在时隙τ服务器节点v的剩余计算资源；F表示虚拟网络功能集合；表示在时隙τ服务器节点v上映射有虚拟网络功能f的数量；/>表示虚拟网络功能的计算资源需求。
所述剩余存储资源约束条件为：
其中，表示在时隙τ服务器节点v的剩余存储资源；/>表示虚拟网络功能的存储资源需求。
所述剩余带宽资源约束条件为：
其中，表示在时隙τ所述服务器节点的剩余带宽资源；Wv表示所述服务器节点的带宽资源总量；/>表示服务功能链r的带宽需求；/>表示在时隙τ服务器节点v上是否映射有虚拟网络功能f；yr为二进制变量，即yr∈{0,1}，表示服务功能链r是否成功映射。
可以理解，服务功能链r成功映射的条件为，服务功能链r的所有虚拟网络功能均部署成功，即且满足时延约束条件。此时yr＝1，否则为0。
这样，本实施例从时延限制、计算资源、存储资源、带宽资源四方面考虑了约束条件。基于这些约束条件，该联合优化目标模型的联合优化目标函数为：
其中，τ表示时隙；v∈V,V*表示基于5G的电力融合接入层和5G-MEC多接入边缘计算层的服务器节点集合；表示服务器节点v的计算资源总量；/>表示服务器节点v的存储资源总量；Wv表示服务器节点v的带宽资源总量；ξcpu表示服务器资源单位的计算成本；ξmem表示服务器资源单位的处理成本；ξW表示消耗带宽的单位成本；r∈R表示服务功能链集合；yr∈{0,1}表示服务功能链r是否成功映射；Wr表示服务功能链r的带宽需求；tr表示总响应延迟。可以理解，对于ξcpu、ξmem和ξW，均由网络功能虚拟化市场和网络功能虚拟化服务提供商决定，且三者加和为1。
另外，为二进制变量，即/>表示在时隙τ服务器节点v上是否映射有虚拟网络功能f。
进一步的，以表示在时隙τ服务器节点v上映射的虚拟网络功能服务实例的数量。则：当/>时/>并且，/>
这样，可以最小化网络服务的部署成本开销，包括虚拟网络功能部署的总成本和服务功能链的虚拟链路映射成本。同时，最大限度地提高已接受服务功能链请求的总吞吐率，进而在有限的时延范围内最大化网络里链路吞吐量。
在一些实施例中，根据统计得到的融合网络架构中各个节点资源的信息，通过该联合优化目标模型，进一步构建奖励函数。
具体的，以变量第一数目Ωr,s1和第二数目Ωr,s2表示为联合优化目标模型的的评价指标，即，将联合优化目标模型的/>变量，转化为奖励函数Reward公式里的Ωr,s1,Ωr,s2这两个参数来进行权衡与优化。
具体解释如下：对于时延容忍型任务，在选择VNF部署节点的过程中，更少的Ωr,s1和更多的Ωr,s2可以间接缓解网络拥塞问题，将传播时延较低的融合接入层空闲资源让给时延敏感型任务；而对于时延敏感型任务，在选择VNF部署节点的过程中，更多的Ωr,s1和更少的Ωr,s2可以在保证时延的同时，将5G-MEC层的服务器节点让给计算、存储资源需求较大的时延容忍型任务。
其中，所述第一数目表征在所述基于5G的电力融合接入层的成功映射虚拟网络功能所在的服务器节点的数量；所述第二数目表征在所述5G-MEC多接入边缘计算层的成功映射虚拟网络功能所在的服务器节点的数量。具体的，当yr＝1时，第一数目第二数目/>
需要说明的是，服务功能链请求的电力业务类型包括时延敏感型业务和时延容忍型业务。然而，对于相关技术中的映射方案，没有区分考虑电力业务场景下的类型特征，无法兼顾时延敏感型业务和时延容忍型业务，因此易导致不能超出任务所能容忍的时延范围，甚至网络服务器节点拥塞的现象发生。
因此，本实施例针对时延敏感型、时延容忍型电力业务的时延要求分别设计了优先级策略，以此实现不同电力业务的服务功能请求链的高效映射。
响应于确定所述服务功能链请求的电力业务类型为时延敏感型业务，所述优先级策略为：从映射前任节点到基于5G的电力融合接入层的子网中各个邻居节点；从映射前任节点到基于5G的电力融合接入层的子网的簇头节点；从映射前任节点到5G-MEC多接入边缘计算层中的各个节点。
响应于确定所述服务功能链请求的电力业务类型为时延容忍型业务，所述优先级策略为：从映射前任节点到基于5G的电力融合接入层的子网的簇头节点；从映射前任节点到5G-MEC多接入边缘计算层中的各个节点。
其中，所述前任节点表征在映射当前节点时所映射成功的前一个节点。
进一步的，在一些实施例中，根据服务功能链请求的电力业务类型确定奖励函数。
所述奖励函数为：
其中，R1表示所述服务功能链请求的电力业务类型为时延敏感型业务且映射成功的奖励函数；R′1表示所述服务功能链请求的电力业务类型为时延敏感型业务且映射失败的奖励函数；R2表示所述服务功能链请求的电力业务类型为时延容忍型业务且映射成功的奖励函数；R′2表示所述服务功能链请求的电力业务类型为时延容忍型业务且映射失败的奖励函数；κ1表示第一权重系数；κ2表示第二权重系数；κ3表示第三权重系数；Ωr,s1表示第一数目；表示Ωr,s2第二数目；senr∈{0,1}，所述服务功能链请求的电力业务类型为时延敏感型业务时senr＝1，所述服务功能链请求的电力业务类型为时延容忍型业务时senr＝0。
也就是说，不同业务所对应的奖励函数不同。由于在网络边缘的节点上部署虚拟网络功能所消耗的传输时延及部署成本更低，因此融合接入层的节点更适用于时延敏感的任务。故，如果为时延敏感型任务，则Ωr,s1越大，即优先在融合接入层部署虚拟网络功能的节点越多，奖励越大；如果为时延容忍型任务，则Ωr,s2越大，即优先在5G-MEC层部署虚拟网络功能的节点越多，奖励越大。从而，既降低了延迟和部署成本，又有效减轻了5G-MEC层的节点拥塞、时延恶化等情况，进而有效利用网络资源。
在一些实施例中，基于所构建的融合网络架构、约束条件与联合优化目标，将融合网络架构中服务器节点与服务功能链的虚拟网络功能的映射优化问题转化为NP-hard的马尔科夫决策过程(MDP)。
具体实施时，通过根据服务功能链请求的电力业务类型确定的优先级策略以及所建立的约束条件，在融合网络架构中筛选出可行节点。可以基于所述优先级策略在所述融合网络架构中进行可行节点搜索，获得可行节点；其中，所述可行节点满足所述时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件。
然后，对于每一个可行节点，确定对应的状态和动作；将所有可行节点的所述状态构成的集合作为状态空间，以及将所述动作构成的集合作为动作空间；从而根据所述状态空间和所述动作空间，构建马尔科夫决策过程模型。
对于状态空间：对于每个状态
其中，表示在时隙τ所有服务器节点的剩余计算资源；/>表示在时隙τ所有服务器节点的剩余存储资源；/>表示在时隙τ所有服务器节点的剩余带宽资源；表示当前服务功能链的剩余延迟空间，其中tr,τ表示在时隙τ服务功能链r的总响应延迟；Ar表示服务功能链r的属性信息，包括所述服务功能链r的有序服务器节点集、带宽需求、容忍时延和时隙；pre表示映射前任节点。
对于动作空间，融合网络架构中共包含|V|＝K+N个节点，并且以at,v表示动作空间的元组。若代表该虚拟网络功能部署失败，则at,v＝0；若/>则at,v为服务器节点的索引数v。因此，将动作空间表示为at＝{at,1,at,2,…,at,|V|}。
并且，
步骤S103、对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。
由于本实施例考虑了部署成本和时延。而智能体在自适应学习如何选择服务功能链请求中各个虚拟网络功能的节点映射的过程中，通过不断学习策略π可以在每个状态下自动采取适当的行动，从而实现奖励函数最大化。为使得智能体按照优先级策略在当前范围内进行可行节点搜索，并在可行节点集合中按照部署并运行该虚拟网络功能所需时延从小到大排序，从而依次在对应节点进行映射的目的，对马尔科夫决策过程模型进行求解。应当理解的是，所述可行节点满足所述时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件。
在一些可选的实施例中，可以利用基于A3C的深度强化学习方法构建神经网络模型以解决MDP问题，从而实现奖励函数最大化，进而实现最小化任务时延并最小化部署成本的联合优化目标。
在一些可选的实施例中，在所述可行节点中，以所述奖励函数最大化为目的，利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果，并根据所述求解结果和所述奖励函数，确定映射策略。可以理解，所述求解结果表征实时奖励。
这样，通过在所述可行节点中，利用深度强化学习方法进行求解并获得奖励，然后根据所述奖励，基于所述奖励函数计算得到所述第一数目和所述第二数目，从而得到映射策略。
A3C算法包含一个全局actor-critic和多个线程的子actor-critic网络。π(s∣θ)和V(s∣φ)分别表示全局actor-critic的策略和价值函数，π(s∣θ′)和V(s∣φ′)分别表示子actor-critic网络的策略和价值函数，其中θ、θ′、φ和φ′为actor-critic的参数。网络可以每n步更新一次，也可以达到一定的终止条件。
具体的，可以通过以下公式计算每个线程的值函数梯度和策略梯度，其中H表示可以避免收敛到次优确定性策略的熵，δ是熵超参数表，可以控制熵正则化项的强度。
/>
可选的，所设计的基于A3C的服务功能链映射的自适应在线方法具体如下。
从上述算法可以看出，主要包括两个主要过程，即算法初始化步骤和嵌入SFC的A3C。并且，在算法中设计了三个变量，分别为部署前任节点、累计时延、累计部署成本。这样，智能体在深度强化学习的过程中，根据奖励函数，迭代优化策略π，最终使得智能体在学习后可以输出奖励函数更高的动作，进而实现联合优化目标，即最小化任务时延并最小化部署成本。
对于上述算法的具体解释如下。当业务终端生成的服务功能链请求转发给融合接入网中对应的融合终端时，该终端所在的源节点直接部署服务功能链请求的虚拟网络功能，并将部署前任节点指向源节点；然后，根据业务类型确定对应的奖励函数，进而初始化actor-critic的相应参数，由学习代理通过actor-critic和异步学习器进行在线学习；接下来，梯度更新的输出被单独添加，以更新全局网络的参数，这些参数可以复制到每个线程；最后，在达到停止条件时获得动作。
该算法可以按照优先级顺序在当前范围内进行可行节点搜索，在可行节点集合中，按照在节点上部署并运行该虚拟网络功能所需时延从小到大排序，从而依次在节点上部署虚拟网络功能，并将部署前任节点指向对应节点，更新该服务功能链所用的累计时延和累计部署成本，以及对应节点的可用资源。最终输出融合网络架构中服务功能链的优化映射策略，即，在基于5G的电力融合接入层和在5G-MEC多接入边缘计算层的成功映射虚拟网络功能所在的服务器节点的数量，以及具体的映射对应关系。
从而，基于本实施例的映射策略对于服务功能链进行映射，具体的，根据映射策略中服务器节点与服务功能链的虚拟网络功能的对应关系对虚拟网络功能依照优先级策略依次进行部署到服务器节点上。
这样，本申请的方案，根据基于5G的电力融合接入网与5G-MEC的融合网络架构，在考虑时延、计算资源、存储资源、带宽资源等约束条件的基础上，建立了最小化功能服务链映射总成本并最大化网络吞吐率的联合优化目标，平衡了网络服务部署成本开销和每个业务的服务功能链所消耗时延；并且，设计区分业务时延敏感性的优先级策略，定义了状态空间、动作空间和奖励函数；以及，设计基于A3C的服务功能链映射的自适应在线算法。从而，满足低时延电力业务需求，实现了最小化功能服务链映射成本，更加灵活地协同调度网络资源，减少网络的资源阻塞。
由于融合网络将边缘计算能力扩展并下沉，对通信网的覆盖范围、可靠性、接入灵活性和网络性能更加严格。本申请的方案解决了相关技术中无法满足多链路电力业务终端的通信需求、业务类型、资源需求等方面的差异化，以及无法满足精细化业务对于网络质量的敏感程度的问题，能够支撑低时延、大带宽、高可靠的电力通信服务。
最后，结合实例性仿真实验对上述任一实施例进一步具体说明。
可选的，可以采用Visual Studio Code仿真实验平台，环境为Python3.10。设定服务功能链的最大数量为250，其中，时延敏感型业务与时延容忍型业务的数量比为1:1。
参考图3，为示例性PPO算法、随机算法和本实施例的映射策略对于服务功能链的映射所消耗的平均时延的对比示意图。如图3所示，随着服务功能链请求数量的增加，三种算法在映射服务功能链所消耗平均时延的变化趋势为：在请求数量为0-50时，可调配的网络资源充足，三种算法的差异较小，但相对来说，本实施例的映射策略对应的所消耗时延更低且更加稳定；随着请求数量增加，PPO算法由于训练数据的扩展与智能体的迭代学习，其学习效果相对于随机算法来说表现更佳；在180-250区间时，本实施例的映射策略由于区分了时延敏感型业务和时延容忍型业务的优先级决策，保证电力业务低时延需求的同时，权衡了服务功能链中虚拟网络功能在5G-MEC层和融合接入层分别部署的节点数量，缓解了网络拥塞，因此表现最佳。
图4示出了示例性PPO算法、随机算法和本实施例的映射策略对于服务功能链的映射所消耗的平均成本的对比示意图。如图4所示，由于请求数量的增多扩充了深度强化学习算法的训练数据，增强了智能体的学习效果，从而使得智能体的决策所消耗的部署成本低于随机算法，而本实施例的映射策略使智能体更加高效地学习，最终使其表现略优于PPO算法。
由此可见，本申请的方案，在保障低延时的同时，避免了网络服务器节点拥塞的现象发生，满足高可靠、大带宽等电力业务需求。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一技术构思，与上述任一实施例方法相对应的，本申请还提供了一种融合网络架构中服务功能链的优化映射装置500，所述融合网络包括若干服务器节点。
参考图5，所述融合网络架构中服务功能链的优化映射装置500，包括：
获取模块501，被配置为：获取服务功能链请求和每个所述服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息；
构建模块502，被配置为：根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系；
求解模块503，被配置为：对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。
在一些可选的实施例中，所述融合网络包括基于5G的电力融合接入层和5G-MEC多接入边缘计算层。
可选的，所述求解模块503，具体被配置为：根据所述服务功能链请求的电力业务类型，确定优先级策略及奖励函数；建立与所述资源信息对应的约束条件，并根据所述约束条件构建联合优化目标模型；基于所述优先级策略和所述约束条件，在所述融合网络架构中筛选出可行节点；在所述可行节点中，以所述奖励函数最大化为目的，利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果，并根据所述求解结果和所述奖励函数，确定映射策略。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的融合网络架构中服务功能链的优化映射方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一技术构思，与上述任一实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任一实施例所述的融合网络架构中服务功能链的优化映射方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的融合网络架构中服务功能链的优化映射方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一技术构思，与上述任一实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任一实施例所述的融合网络架构中服务功能链的优化映射方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的融合网络架构中服务功能链的优化映射方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一技术构思，与上述任一实施例方法相对应的，本申请还提供了一种计算机程序产品，其包括计算机程序指令。在一些实施例中，所述计算机程序指令可以由计算机的一个或多个处理器执行以使得所述计算机和/或所述处理器执行所述的融合网络架构中服务功能链的优化映射方法。对应于所述的融合网络架构中服务功能链的优化映射方法各实施例中各步骤对应的执行主体，执行相应步骤的处理器可以是属于相应执行主体的。
上述实施例的计算机程序产品用于使所述计算机和/或所述处理器执行如上任一实施例所述的融合网络架构中服务功能链的优化映射方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种融合网络架构中服务功能链的优化映射方法，其特征在于，所述融合网络架构包括若干服务器节点；
所述方法包括：
获取服务功能链请求和每个所述服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息；
根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系；
对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。
2.根据权利要求1所述的方法，其特征在于，所述对所述马尔科夫决策过程模型进行求解得到映射策略，包括：
根据所述服务功能链请求的电力业务类型，确定优先级策略及奖励函数；
建立与所述资源信息对应的约束条件，并根据所述约束条件构建联合优化目标模型；
基于所述优先级策略和所述约束条件，在所述融合网络架构中筛选出可行节点；
在所述可行节点中，以所述奖励函数最大化为目的，利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果，并根据所述求解结果和所述奖励函数，确定映射策略。
3.根据权利要求2所述的方法，其特征在于，所述融合网络架构包括基于5G的电力融合接入层和5G-MEC多接入边缘计算层；所述电力业务类型包括时延敏感型业务和时延容忍型业务；
所述根据所述服务功能链请求的电力业务类型，确定优先级策略，包括：
响应于确定所述服务功能链请求的电力业务类型为时延敏感型业务，所述优先级策略为：
从映射前任节点到基于5G的电力融合接入层的子网中各个邻居节点；从映射前任节点到基于5G的电力融合接入层的子网的簇头节点；从映射前任节点到5G-MEC多接入边缘计算层中的各个节点；
响应于确定所述服务功能链请求的电力业务类型为时延容忍型业务，所述优先级策略为：
从映射前任节点到基于5G的电力融合接入层的子网的簇头节点；从映射前任节点到5G-MEC多接入边缘计算层中的各个节点；
其中，所述前任节点表征在映射当前节点时所映射成功的前一个节点。
4.根据权利要求2所述的方法，其特征在于，所述资源信息包括所述服务器节点的计算资源总量、存储资源总量和带宽资源总量；所述需求信息包括所述虚拟网络功能的计算资源需求、存储资源需求和带宽资源需求；
所述建立与所述资源信息对应的约束条件，并根据约束条件构建联合优化目标模型，包括：
根据所述服务器节点的计算资源总量、存储资源总量和带宽资源总量，建立时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件；
根据所述时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件，构建联合优化目标模型；
所述时延约束条件为：
其中，Tr表示服务功能链的容忍时延；tr表示总响应延迟，表征服务功能链映射的服务器节点组成的物理链路的通信时延与所述物理链路的所有服务器节点上的虚拟网络功能的处理时延之和；r∈R表示服务功能链集合；
所述剩余计算资源约束条件为：
其中，表示在时隙τ服务器节点v的剩余计算资源；/>表示服务器节点v的计算资源总量；f∈F表示虚拟网络功能集合；/>表示在时隙τ服务器节点v上映射有虚拟网络功能f的数量；/>表示虚拟网络功能的计算资源需求；v∈V,V*表示基于5G的电力融合接入层和5G-MEC多接入边缘计算层的服务器节点集合；
所述剩余存储资源约束条件为：
其中，表示在时隙τ服务器节点v的剩余存储资源；/>表示服务器节点v的存储资源总量；/>表示虚拟网络功能的存储资源需求；
所述剩余带宽资源约束条件为：
其中，表示在时隙τ所述服务器节点的剩余带宽资源；Wv表示所述服务器节点的带宽资源总量；yr∈{0,1}表示服务功能链r是否成功映射；/>表示服务功能链r的带宽需求；表示在时隙τ服务器节点v上是否映射有虚拟网络功能f。
5.根据权利要求4所述的方法，其特征在于，所述基于所述优先级策略和所述约束条件，在所述融合网络架构中筛选出可行节点，包括：
基于所述优先级策略在所述融合网络架构中进行可行节点搜索，获得可行节点；其中，所述可行节点满足所述时延约束条件、剩余计算资源约束条件、剩余存储资源约束条件和剩余带宽资源约束条件。
6.根据权利要求4所述的方法，其特征在于，所述联合优化目标模型的联合优化目标函数为：
其中，ξcpu表示服务器资源单位的计算成本；ξmem表示服务器资源单位的处理成本；ξW表示消耗带宽的单位成本。
7.根据权利要求4所述的方法，其特征在于，所述奖励函数为：
其中，R1表示所述服务功能链请求的电力业务类型为时延敏感型业务且映射成功的奖励函数；R′1表示所述服务功能链请求的电力业务类型为时延敏感型业务且映射失败的奖励函数；R2表示所述服务功能链请求的电力业务类型为时延容忍型业务且映射成功的奖励函数；R′2表示所述服务功能链请求的电力业务类型为时延容忍型业务且映射失败的奖励函数；κ1表示第一权重系数；κ2表示第二权重系数；κ3表示第三权重系数；Ωr,s1,Ωr,s2为 的评价指标；Ωr,s1表示第一数目，表征在所述基于5G的电力融合接入层的成功映射虚拟网络功能所在的服务器节点的数量；Ωr,s2表示第二数目，表征在所述5G-MEC多接入边缘计算层的成功映射虚拟网络功能所在的服务器节点的数量；senr为根据所述服务功能链请求的电力业务类型确定的。
8.根据权利要求4所述的方法，其特征在于，所述构建马尔科夫决策过程模型，包括：
对于每一个所述可行节点，确定对应的状态和动作；
将所有可行节点的所述状态构成的集合作为状态空间，以及将所述动作构成的集合作为动作空间；
根据所述状态空间和所述动作空间，构建马尔科夫决策过程模型；
所述状态空间为：对于每个状态其中，表示在时隙τ所有服务器节点的剩余计算资源；/>表示在时隙τ所有服务器节点的剩余存储资源；/>表示在时隙τ所有服务器节点的剩余带宽资源；/>表示当前服务功能链的剩余延迟空间，其中tr,τ表示在时隙τ服务功能链r的总响应延迟；Ar表示服务功能链r的属性信息，包括所述服务功能链r的有序服务器节点集、带宽需求、容忍时延和时隙；pre表示映射前任节点；
所述动作空间为：
其中，表示服务器节点v上是否映射有服务功能链r中的虚拟网络功能。
9.根据权利要求7所述的方法，其特征在于，所述在所述可行节点中，以所述奖励函数最大化为目的，利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果，并根据所述求解结果和所述奖励函数，确定映射策略，包括：
在所述可行节点中，以所述奖励函数最大化为目的，基于深度强化学习方法利用所述马尔科夫决策过程模型对所述联合优化目标模型进行求解，得到求解结果；其中，所述求解结果表征实时奖励；
根据所述求解结果，基于所述奖励函数计算得到所述第一数目和所述第二数目，根据所述第一数目和所述第二数目得到映射策略。
10.一种融合网络架构中服务功能链的优化映射装置，其特征在于，所述融合网络架构包括若干服务器节点；
所述装置包括：
获取模块，被配置为：获取服务功能链请求和每个所述服务器节点的资源信息；其中，所述服务功能链请求包括服务功能链中若干虚拟网络功能的需求信息；
构建模块，被配置为：根据所述资源信息和所述需求信息，构建马尔科夫决策过程模型；其中，所述马尔科夫决策过程模型表征所述服务器节点与所述虚拟网络功能的映射关系；
求解模块，被配置为：对所述马尔科夫决策过程模型进行求解得到映射策略，并执行所述映射策略。
11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9中任一项所述的方法。
12.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行如权利要求1-9中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行如权利要求1-9中任一项所述的方法。
CN202310295268.1A 2023-03-23 2023-03-23 融合网络架构中服务功能链的优化映射方法及相关设备 Pending CN116781532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310295268.1A CN116781532A (zh) 2023-03-23 2023-03-23 融合网络架构中服务功能链的优化映射方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310295268.1A CN116781532A (zh) 2023-03-23 2023-03-23 融合网络架构中服务功能链的优化映射方法及相关设备

Publications (1)

Publication Number Publication Date
CN116781532A true CN116781532A (zh) 2023-09-19

Family

ID=87991972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310295268.1A Pending CN116781532A (zh) 2023-03-23 2023-03-23 融合网络架构中服务功能链的优化映射方法及相关设备

Country Status (1)

Country Link
CN (1) CN116781532A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116980423A (zh) * 2023-09-21 2023-10-31 浪潮电子信息产业股份有限公司 模型调度方法、装置、计算系统、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116980423A (zh) * 2023-09-21 2023-10-31 浪潮电子信息产业股份有限公司 模型调度方法、装置、计算系统、设备及可读存储介质
CN116980423B (zh) * 2023-09-21 2024-02-09 浪潮电子信息产业股份有限公司 模型调度方法、装置、计算系统、设备及可读存储介质

Similar Documents

Publication Publication Date Title
Xia et al. Cost-effective app data distribution in edge computing
Islam et al. A survey on task offloading in multi-access edge computing
US11146504B2 (en) Market-based distributed resource allocation for edge-cloud systems
De Maio et al. First hop mobile offloading of dag computations
CN104115165A (zh) 使用机器学习来用于映射媒体组件的方法
Fu et al. Performance optimization for blockchain-enabled distributed network function virtualization management and orchestration
Rahimi et al. On optimal and fair service allocation in mobile cloud computing
Zhang et al. Distributed resource allocation for data center networks: A hierarchical game approach
CN111988787B (zh) 一种任务的网络接入和服务放置位置选择方法及系统
CN112491964A (zh) 移动辅助边缘计算方法、装置、介质和设备
CN117041330B (zh) 一种基于强化学习的边缘微服务细粒度部署方法及系统
Ma et al. A cyclic game for service-oriented resource allocation in edge computing
Mason et al. Using distributed reinforcement learning for resource orchestration in a network slicing scenario
CN116781532A (zh) 融合网络架构中服务功能链的优化映射方法及相关设备
CN114205317B (zh) 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备
Matrouk et al. Mobility aware-task scheduling and virtual fog for offloading in IoT-fog-cloud environment
Robles-Enciso et al. A multi-layer guided reinforcement learning-based tasks offloading in edge computing
Henna et al. Distributed and collaborative high-speed inference deep learning for mobile edge with topological dependencies
CN113747450A (zh) 一种移动网络中业务部署方法、装置及电子设备
Cejudo et al. An optimization framework for edge-to-cloud offloading of kubernetes pods in V2X scenarios
CN113364626A (zh) 面向边缘环境的视频分析应用的服务放置与带宽分配方法
Yang et al. Towards 6g joint haps-mec-cloud 3c resource allocation for delay-aware computation offloading
CN115514769B (zh) 卫星弹性互联网资源调度方法、系统、计算机设备及介质
Rodríguez et al. Improvement of edge computing workload placement using multi objective particle swarm optimization
CN114978913B (zh) 一种基于切链的服务功能链跨域部署方法及系统

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