一种基于随机学习的接入网服务功能链部署方法技术

本发明专利技术涉及一种基于随机学习的接入网服务功能链部署方法，属于无线通信技术领域。该方法为：针对5G云化接入网场景下物理网络拓扑变化引起的高时延问题，建立一种基于部分观察马尔可夫决策过程部分感知拓扑的接入网服务功能链部署方案。该方案考虑在5G接入网上行条件下，通过心跳包观测机制感知底层物理网络拓扑变化，由于存在观测误差无法获得全部真实的拓扑情况，因此采用基于部分观察马尔可夫决策过程的部分感知和随机学习而自适应动态调整接入网切片的服务功能链部署的部署，优化切片在接入网侧的时延。本发明专利技术是基于部分观察马尔可夫决策过程实现部分感知网络拓扑变化而决策出最佳服务功能链部署方式，实现动态部署，不仅优化时延还提高资源利用率。

【技术实现步骤摘要】
一种基于随机学习的接入网服务功能链部署方法
本专利技术属于移动通信
，涉及一种基于随机学习的接入网服务功能链部署方法。
技术介绍
网络切片(NetworkSlicing，NS)是指在一个物理网络基础设施上建立若干个相互隔离的逻辑网络，每种逻辑网络服务一个特定应用场景。网络切片技术一方面可以满足未来移动通信的多样化服务需求，另一方面也可以使运营商降低网络基础设施建设成本和更加灵活部署网络，因此被视为5G的关键技术之一。在推进切片技术商用的进程中还存在许多问题，如切片资源管理、切片隔离、切片移动性管理、切片安全性等问题。切片资源管理问题主要是由于未来复杂多样的需求和海量的数据，在有限的网络资源上不合理的资源管理可能会带来时延高、可靠性差、资源利用率低等问题。切片网络包含若干条相同服务类型的SFC，且每个SFC由若干有序VNF组成，切片资源管理问题核心在于如何为SFC进行部署。现有的SFC部署方案考虑在核心网(EvolutionPacketCore,EPC)一侧，优化SFC在EPC侧的时延等服务质量(QualityofService,QoS)。基于近似马尔可夫模型为每一个服务功能链寻找一个固定资源分配策略，实际上SFC的数据包到达量会随时间发生变化，静态的部署策略无法实时保证QoS。基于遗传算法的资源分配模型实现SFC在核心网的动态部署而适应变化的数据到达量，但该算法局限于物理网络拓扑不变的情况，而在实际场景下物理网络可能受到随机环境因素的影响而发生变化，动态变化的网络拓扑可能会引起SFC失效、高时延和资源利用率低等问题。同时，上述文献的方案还只是对核心网切片的支持，由于5G接入网采用C-RAN架构，因此无法直接支持接入网切片中的SFC部署。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于随机学习的接入网服务功能链部署方法，在云化的接入网场景的上行条件下，能够根据物理网络拓扑变化和SFC的变化数据到达量，自适应动态调整各切片的SFC部署方式，优化系统时延和提高资源利用率。为达到上述目的，本专利技术提供如下技术方案：一种基于随机学习的接入网服务功能链部署方法，包括以下步骤：S1：针对5G云化接入网场景下物理网络拓扑变化引起的高时延问题，建立受约束的多目标接入网SFC部署的数学模型；S2：感知底层物理节点从而获得网络拓扑变化，并分析观测误差；S3：根据部分感知的网络拓扑变化和服务功能链的动态数据到达，建立部分可观察马尔可夫决策过程POMDP决策模型；S4：针对POMDP的维度灾问题，设计高效的求解算法寻找最优的接入网SFC部署方式。进一步，在步骤S1中，所述5G接入网切片的SFC部署的数学模型为：基础设施层的服务器网络由带权值无向图G＝{N,L}，N＝N1∪N2表示服务器节点集并由DU池的节点集N1和CU池的节点集N2组成，L＝L1∪L2∪{lNGFI}表示链路集且由DU池的链路集L1、CU池的链路集L2和下一代前传网络链路lNGFI构成。是服务器节点nk的计算资源容量，vl表示链路l的带宽容量；设接入网侧的切片集合为U，一个切片包含多个相同服务类型的SFC，表示切片u里的SFC集合，切片u里第m个SFC在时刻t的队列长度为qu,m(t)且满足0≤qu,m(t)≤nq,nq表示最大队列长度。进一步，由于云化接入网的底层物理网络节点受到环境中随机因素的影响而失效而导致网络拓扑发生变化，所以接入网SFC部署时要考虑是否修复这些失效节点；在C-RAN架构下，存在CU池和DU池，接入网的SFC可以灵活的在CU池和DU池里部署VNF，不同的VNF部署方式影响后续的资源分配，因此接入网SFC部署过程的第二阶段为每一个切片选择合适的接入网VNF部署方式；第三阶段是为SFC的VNF在对应的资源池里分配计算资源和带宽资源，其中SFC中处在DU末端的VNF需要分配NGFI带宽资源将数据从DU传到CU。进一步，在步骤S1中，涉及到修复节点带来的费用成本和时延，其中时延包括排队时延和DU到CU的调度时延，所述接入网SFC部署的优化目标：maxR(t)＝e1R1(t)+e2R2(t)进一步，在步骤S2中，利用心跳包检测机制为物理网络的节点设置阈值，系统在阈值时间内未受到节点的心态包则判断该节点失效；并用正态分布概率密度函数分析误判失效误差进一步，在步骤S3中所述的POMDP模型具体由六元组＜S,A,P,R,Z,O＞定义：状态空间S其中，Q为队列状态，为CU池和DU池的物理网络拓扑状态。表示包含所有SFC的队列状态空间，SFCm的队列长度Qu,m满足0≤Qu,m≤nq,假设任意SFC在DU侧的队列长度处于离散的且队列最大长度相同，即NQ＝{0,1,2,3,4,...,nq}。表示物理网络拓扑的状态空间，表示节点i处于正常状态，表示节点处于失效状态。动作空间AAα是节点修复动作，A'α表示是否修复失效节点的行动空间，A'α＝{0,1}，Aβ是所有切片选择接入网VNF部署方式的动作，表示全部切片选择接入网VNF部署方式的行动空间，表示切片u选择的接入网VNF部署方式，Aχ是所有SFC的资源分配动作。转移概率P设转移概率为τ(s(t),a(t),s(t+1))，s(t)表示时刻t的系统状态，a(t)表示t时刻采取的动作，s(t+1)表示t+1时刻的系统状态，其中，q(t)表示时刻t的系统队列状态，q(t+1)表示t+1时刻的系统队列状态，表示时刻t的物理网络拓扑状态，表示t+1时刻网络拓扑状态。Wu,m(t)是第m个SFC在时刻t的数据到达量，设Vu,m(t)是时刻t的SFCm数据服务量且受该SFC分配的资源影响；其中，和分别表示节点i在时刻t和t+1的状态。如果时刻t采取修复所有失效节点的动作，即a(t)＝(1,aβ(t),aχ(t))，则下一时刻所有的服务器节点肯定都处于正常状态，即当时，其他为0。如果时刻t没有采取修复失效节点的动作，即a(t)＝(0,aβ(t),aχ(t))，则当前时刻处于失效的下一时刻仍时失效的，即当当且仅当时对于当前时刻正常的节点受到环境随机因素可能会失效，即当时，pi表示在随机环境中下一时刻节点i失效的概率，则下一时刻正常的概率为1-pi。回报函数R设t时刻的接入网侧SFC部署动作的回报函数R(s(t),a(t))为节点修复成本函数和系统总时延函数函数的加权和，即R(s(t),a(t))＝e1R1(t)+e2R2(t)观测空间Z其中ZQ表示队列观测状态，Z'Q表示系统对队列所有可能的观察的集合，由于队列状态是完全可知的，所以Z'Q＝Q'；表示网络拓扑观测症状态，表示通过心跳包检测机制部分观察物理网络服务器节点时所有可能的观测结果的集合。观测函数O设观测函数其中z(t+1)表示t+1时刻的观测状态，zq(t+1)表示t+1时刻的队列观测状态，表示t+1时刻的网络拓扑观测状态。当zq(t+1)＝q(t+1)时，O(zq(t+1),a(t),q(t+1))＝1，否则为0；其中表示节点i在t+1时刻的观测状态。任意节点i(i∈N1∪N2)，如果采取的行动a(t)＝{1,aβ(t),aχ(t)}则节点观测为正常状态，即时，其他情况为0。任意节点j(j∈N)，如果采取的行动a(t)＝{0,aβ(t),aχ(t)}本文档来自技高网...

【技术保护点】
1.一种基于随机学习的接入网服务功能链部署方法，其特征在于：该方法包括以下步骤：S1：针对5G云化接入网(Cloud‑Radio Access Network,C‑RAN)场景下物理网络拓扑变化引起的高时延问题，建立受约束的多目标接入网服务功能链(Service Function Chain,SFC)部署的数学模型；S2：感知底层物理节点从而获得网络拓扑变化，并分析观测误差；S3：根据部分感知的网络拓扑变化和服务功能链的动态数据到达，建立部分可观察马尔可夫决策过程(Partial Observation Markov Decision Process,POMDP)模型；S4：针对POMDP的维度灾问题，设计高效的求解算法寻找最优的接入网SFC部署方式。

【技术特征摘要】
1.一种基于随机学习的接入网服务功能链部署方法，其特征在于：该方法包括以下步骤：S1：针对5G云化接入网(Cloud-RadioAccessNetwork,C-RAN)场景下物理网络拓扑变化引起的高时延问题，建立受约束的多目标接入网服务功能链(ServiceFunctionChain,SFC)部署的数学模型；S2：感知底层物理节点从而获得网络拓扑变化，并分析观测误差；S3：根据部分感知的网络拓扑变化和服务功能链的动态数据到达，建立部分可观察马尔可夫决策过程(PartialObservationMarkovDecisionProcess,POMDP)模型；S4：针对POMDP的维度灾问题，设计高效的求解算法寻找最优的接入网SFC部署方式。2.根据权利要求1所述的一种基于随机学习的接入网服务功能链部署方法，其特征在于：在步骤S1中，所述SFC部署的数学模型为：基础设施层的服务器网络由带权值无向图G＝{N,L}，N＝N1∪N2表示服务器节点集并由DU池的节点集N1和CU池的节点集N2组成，L＝L1∪L2∪{lNGFI}表示链路集且由DU池的链路集L1、CU池的链路集L2和下一代前传网络接口(NextGenerationFrontalInterface,NGFI)链路lNGFI构成；是服务器节点nk的计算资源容量，vl表示链路l的带宽容量；设系统的切片集合为U，表示切片u里的SFC集合，切片u里第m个SFC在时刻t的队列长度为qu,m(t)且满足0≤qu,m(t)≤nq,nq表示最大队列长度。3.根据权利要求1所述的一种基于随机学习的接入网服务功能链部署方法，其特征在于：所述接入网SFC部署的过程分为3个阶段：第1阶段是系统决策是否修复所有失效的节点，用aα(t)表示当前时刻节点修复行动，aα(t)＝1表示修复所有失效的节点，其余为0；第2阶段是为每个切片网络选择接入网虚拟网络功能(VirtualizationNetworkFunction,VNF)的部署方式，明确各切片的SFC的一组有序VNF在分布单元(DistributionUnit,DU)和集中单元(CentralizationUnit,CU)的分布情况，且aβ(t)＝{βu(t)|u∈U}，βu(t)∈Ω表示切片u时刻t选择的VNF部署方式，Ω表示所有可能的接入网VNF部署方式的集合；第3阶段是依据每个切片的VNF部署方式为其SFC进行资源分配；包括为各VNF在对应的资源池中分配计算资源和带宽资源，SFC中处在DU末端的VNF分配前传网络的带宽资源，处在CU末端的VNF不考虑分配带宽资源；设当前时刻全部切片的所有SFC资源分配方式设资源量都是离散的，则所有可能的SFC资源分配方式组成集合A'χ；是t时刻SFCm的计算资源分配，其中，Fu,m表示切片u的第m个SFC的VNF集合，表示第j(j∈Fu,m)个VNF可以实例化的节点集合，表示第j个VNF在服务器节点nk所分配的计算资源，表示第j个VNF部署在节点nk时该参数为1，否则为0；是t时刻SFCm的带宽资源分配方式，其中，表示第j个VNF在链路l上分配的带宽资源，表示第j个VNF用链路l发送数据给下...

【专利技术属性】
技术研发人员：陈前斌，杨友超，赵国繁，周钰，赵培培，唐伦，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50