使用机器学习算法来满足SLA要求的系统和方法技术方案

一种方法包括在监控与恢复节点处通过多个信道从相应容器化虚拟网络功能收集虚拟网络功能关键性能指标数据。方法包括：在监控与恢复节点处维持相应容器化虚拟网络功能的状态信息；以及在监控与恢复节点处运行机器学习算法，机器学习算法一经训练便学习并预测相应容器化虚拟网络功能是否需要缩放、修复或上下文切换到同类型虚拟网络功能中的一者以产生确定并且满足网络服务的服务水平协议。

【技术实现步骤摘要】
【国外来华专利技术】使用机器学习算法来满足SLA要求的系统和方法
本公开大体上涉及计算机联网工具，并且具体地，涉及一种机器学习算法，所述机器学习算法进行操作以针对容器化环境中的虚拟网络功能来预测并实施将使得系统能够满足服务水平协议(SLA)的动作。
技术介绍
在网络功能虚拟化编排器世界中，存在许多不同的挑战。结合软件定义网络(SDN)，网络功能虚拟化(NFV)技术承诺帮助变换当今的载波网络。它将变换如何部署和管理载波网络以及交付服务的方式。最终目标是使得服务提供商能够降低成本、增加业务敏捷性，并且加速新服务的上市时间。NFV将网络功能与底层硬件分离，因此它们在商用现成的且专门构建的硬件上作为软件图像运行。NFV通过使用标准虚拟化技术(计算、网络和存储)将网络功能虚拟化来这样做。目标是通过只有在需要时并且在需要的地方分配并使用物理和虚拟资源来降低对专用的专门物理设备的依赖。利用这种方法，服务提供商可以通过将更多的部件转移到公用物理基础设施而同时优化其使用来降低总体成本，从而允许这些部件通过根据需要来部署新应用和服务而更动态地响应于变化的市场需求。网络功能的虚拟化还实现加速新服务的上市时间，因为它允许服务交付的更自动化且流线型方法。展示出NFV服务的益处的简单实例是虚拟化防火墙或负载平衡器。代替安装并操作专用程序来执行网络功能，NFV允许操作人员根据需要在虚拟机(VM)上简单地加载软件图像。在移动网络中，实例包括将移动分组核心功能虚拟化，诸如，分组数据网络网关(PGW)、服务网关(SGW)、移动管理实体(MME)以及其他元件。NFV将网络功能与硬件分离。然而，从基于NFV的服务中提取最大值需要新的编排能力。在服务实现的广义背景下，传统的编排是协调并调整在设计、创建和交付定义的服务中的业务和操作过程。这个编排过程涉及使用并管理复杂的系统和工具，诸如订单、库存和资源管理系统；配置和供应工具；以及和与这些工具和系统相关联的过程结合的运营支撑系统(OSS)。编排解决方案通过与业务支撑系统(BSS)和客户关系管理(CRM)系统编排结合来将跨技术和组织的任务自动化并且最终减少订单到收入时间而对服务提供商起到至关重要的作用。网络功能虚拟化编排存在许多挑战。例如，虚拟网络功能(VNF)的供应、监控和恢复多数是整体的并且由单个主机执行。接下来，VNF的自动缩放/修复决策是基于代码形式的if-else条件。此外，没有一个用于将VNFKPI(关键性能指标)数据暴露给网络功能虚拟化编排器(NFVO)的标准。最后，在当前状态下，如果一个或多个VNF下降，那么将出现网络服务停机时间。在NFV环境下，归因于VNF的动态性质和底层基础设施，维持SLA的能力变得甚至更复杂。因此，预测网络停机时间并对其采取措施的能力变得更关键。除了上述问题之外，网络服务可以由来自不同供应商并且跨越在多种传统硬件设备之上产生的多个容器和虚拟机的多个VNF组成。这可以导致混合架构。在混合架构中，难以满足执行供应、恢复并满足SLA要求。系统可能很难以智能的方式通过在if-else条件之外采取措施来作出VNF缩放/修复决策。最后，在从此类各种来源提供数据的上述此类混合架构中，难以使将VNFKPI(关键性能指标)暴露给NFVO的方法标准化或协调。附图说明通过以下结合附图的详细描述，将容易理解本公开，在附图中：图1示出根据本公开的一方面的计算设备的基本计算部件。图2示出其中应用本公开的一般背景。图3示出根据本公开的一方面的决策树。图4示出根据本公开的用于不同时段N的各个值的表。图5示出本公开的示例方法。具体实施方式概述本专利技术的方面在独立权利要求中陈述，并且优选特征在从属权利要求中陈述。一个方面的特征可以单独地应用于每个方面或者与其他方面结合。公开了与网络服务相关的系统、方法、设备、计算机程序、计算机程序产品以及计算机可读设备，网络服务由跨越在多种传统硬件设备之上产生的多个容器和虚拟机的多个VNF组成。在方法实例中，方法包括在监控与恢复节点处通过多个信道从相应容器化虚拟网络功能收集虚拟网络功能关键性能指标数据。方法包括：在监控与恢复节点处维持相应容器化虚拟网络功能的状态信息；以及在监控与恢复节点处运行机器学习算法，机器学习算法一经训练便学习并预测相应容器化虚拟网络功能是否需要缩放、修复或上下文切换到同类型虚拟网络功能中的一者以产生确定。可以应用于这种情形的示例机器学习算法如下：T(s)＝(Σ(M(v)+R(a)))％T(m)R(a)＝Rvnf/Rtotal<＝全局中间资源使用T(m)＝M(v)max+R(a)max，其中T(s)是针对相应容器化虚拟网络功能的缩放、学习或上下文切换到同类型虚拟网络功能的阈值；M(v)是数值变量；R(a)是多个容器化虚拟网络功能之中的相应容器化虚拟网络功能的绝对单独资源使用；Rvnf是给定的虚拟网络功能的资源使用；Rtotal是包括一组虚拟网络功能的网络服务的总资源使用；T(m)是阈值最大值；并且Σ表示从i＝1到N的总和，其中N是缩放、修复或上下文切换的阈值T(s)已经成功的次数；并且当T(s)阈值被满足N次时，向供应节点提供指令以执行针对相应容器化虚拟网络功能的缩放、修复和上下文切换中的一者。上述方法的益处在于，在包括来自不同供应商的跨越在多种传统硬件设备之上产生的多个容器和虚拟机的多个VNF的网络服务内，所公开的系统可以实施供应、监控和恢复方法来满足服务水平协议。描述本公开解决了如何满足由来自不同供应商的跨越在多种传统硬件设备之上产生的多个容器和虚拟机的多个VNF组成的网络服务的服务水平协议的需要。本文中公开的工具和概念将智能容器微型架构用于VNF的监控和恢复。系统还应用新的机器学习算法来预期迫近的VNF缩放、修复和失败情形。系统使用新的容器自动缩放VNF或者根据需要而自动修复VNF。当系统预测VNF可能下降时，系统在热备份模式下上下文切换到同类型容器，以避免网络服务停机时间。本公开首先在图1中描述一些基本硬件部件，并且随后行进到描述用于监控和恢复VNF的上下文和概念。本公开首先转到图1，该图公开了可以应用于本公开的系统实例的一些基本硬件部件。参考图1，示例性系统和/或计算设备100包括处理单元(CPU或处理器)110和系统总线105，系统总线将包括诸如只读存储器(ROM)120和随机存取存储器(RAM)125等系统存储器115的各种系统部件耦合到处理器110。系统100可以包括高速存储器的高速缓存112，高速缓存与处理器110直接连接、连接在其附近或者集成为其一部分。系统100将来自存储器115、120和/或125和/或存储设备130的数据复制到高速缓存112，以便由处理器110快速访问。通过这种方式，高速缓存提供避免在等待数据时的处理器110延迟的性能提升。这些和其他模块可以控制或被配置成控制处理器110来执行各种操作或动作。其他系统存储器115也可供使用。存储器115可以包括具有不同性能特性的多个不同类型的存储器。可以理解，本公开可以在具有不止一个处理器110的计算设备100上操作，或者在联网在一起以提供更大处理能力的计算设备的群组或集群上操作。处理器110可以包括任何通用处理器和硬件模块或软件模块，诸如，存储在存储设本文档来自技高网...

【技术保护点】
1.一种方法，包括：从相应容器化虚拟网络功能收集虚拟网络功能关键性能指标数据；维持所述相应容器化虚拟网络功能的状态信息；运行机器学习算法，所述机器学习算法一经训练便学习并预测所述相应容器化虚拟网络功能是否需要缩放、修复或上下文切换到同类型虚拟网络功能中的一者以产生确定，其中，所述机器学习算法包括：T(s)＝(∑(M(v)+R(a)))％T(m)R(a)＝Rvnf/Rtotal

【技术特征摘要】
【国外来华专利技术】2016.06.01 US 15/170,0401.一种方法，包括：从相应容器化虚拟网络功能收集虚拟网络功能关键性能指标数据；维持所述相应容器化虚拟网络功能的状态信息；运行机器学习算法，所述机器学习算法一经训练便学习并预测所述相应容器化虚拟网络功能是否需要缩放、修复或上下文切换到同类型虚拟网络功能中的一者以产生确定，其中，所述机器学习算法包括：T(s)＝(∑(M(v)+R(a)))％T(m)R(a)＝Rvnf/Rtotal<＝全局中间资源使用T(m)＝M(v)max+R(a)max，其中T(s)是针对所述相应容器化虚拟网络功能的所述缩放、所述修复或所述上下文切换到所述同类型虚拟网络功能的阈值；M(v)是数值变量；R(a)包括多个容器化虚拟网络功能之中的所述相应容器化虚拟网络功能的绝对单独资源使用；Rvnf包括给定的虚拟网络功能的资源使用；Rtotal包括具有一组虚拟网络功能的网络服务的总资源使用；T(m)是阈值最大值；并且Σ包括从i＝1到N的总和，其中，N是所述缩放、所述修复或所述上下文切换的所述阈值T(s)已经成功的次数。2.根据权利要求1所述的方法，其中，在监控与恢复节点处进行所述收集和运行步骤。3.根据权利要求1或2所述的方法，还包括：当所述T(s)阈值被满足N次并且所述确定表明应采取措施时，向供应节点提供指令以执行针对所述相应容器化虚拟网络功能的所述缩放、所述修复和所述上下文切换中的一者。4.根据权利要求1至3中任一项所述的方法，其中，通过多个信道来进行收集所述虚拟网络功能关键性能指标数据的步骤。5.根据权利要求4所述的方法，其中，所述多个信道包括IPSLA、NETCONF和SNMP中的至少两者。6.根据权利要求3至5中任一项所述的方法，其中，当所述机器学习算法预测所述相应容器化虚拟网络功能需要缩放时，向所述供应节点提供指令以添加新的虚拟网络功能实例。7.根据权利要求6所述的方法，其中，所述供应节点使用新的docker容器或虚拟机来添加所述新的虚拟网络功能实例。8.一种系统，其包括：处理器；以及计算机可读介质，存储有指令，该指令在被所述处理器执行时使得所述处理器执行操作，所述操作包括：从相应容器化虚拟网络功能收集虚拟网络功能关键性能指标数据；维持所述相应容器化虚拟网络功能的状态信息；运行机器学习算法，所述机器学习算法一经训练便学习并预测所述相应容器化虚拟网络功能是否需要缩放、修复或上下文切换到同类型虚拟网络功能中的一者以产生确定，其中，所述机器学习算法包括：T(s)＝(Σ(M(v)+R(a)))％T(m)R(a)＝Rvnf/Rtotal<＝全局中间资源使用T(m)＝M(v)max+R(a)max，其中T(s)是针对所述相应容器化虚拟网络功能的所述缩放、所述修复或所述上下文切换到所述同类型虚拟网络功能的阈值；M(v)是数值变量；R(a)包括多个容器化虚拟网络功能之中的所述相应容器化虚拟网络功能的绝对单独资源使用；Rvnf包括给定的虚拟网络功能的资源使用；Rtotal包括具有一组虚拟网络功能的网络服务的总资源使用；T(m)是阈值最大值；并且Σ包括从i＝1到N的总和，其中N是所述缩放、所述修复或所述上下文切换的所述阈值T(s)已经成功的次数。9.根据权利要求8所述的系统，其中，在监控与恢复节点处进行所述收集和运行步骤。10.根据权利要求8或9所述的系统，其中，所述计算机可读介质存储指令，该指令在被所述处理器执行时使得所述处理器执行其他操作，所述其他操作包括：当用于缩放的所述T(s)阈值被满足N次并且所述确定表明应采取措施时，向供应节点提供指令以执行针对所述相应容器化虚拟网络功能的所述缩放、所述修复和所述上下文切换中的一者。11.根据权利要求8至10中任一项所述的系统，其中，通过多个信道来进行收集所述虚拟网络功能关键性能指标数据的步骤。12.根据权利要求11所述的系统，其中，所述多个信道包括IPSL...

【专利技术属性】
技术研发人员：丹尼什·乔普拉，安素·纳朗，因德普里特·布拉尔，赫曼特·帕特尔，沙希达尔·斯里尼瓦沙，
申请(专利权)人：思科技术公司，
类型：发明
国别省市：美国,US