本发明专利技术公开了一种基于小生境的多目标粒子群优化的虚拟网络映射方法，实现本方法的过程如下：对虚拟网络映射中节点映射结果进行离散编码为粒子的位置，定义粒子的位置和速度，以及粒子之间的运算规则；通过聚集策略，归一化处理虚拟网络映射中的收益和能量消耗，把多目标的约束问题转变为单目标的约束问题，给出多目标的适应度函数；通过小生境粒子群优化算法解决优化过程中容易陷入局部最优的问题，定义了小生境的半径和合并的条件；通过GT‑TIM网络拓扑生成工具生成虚拟网络拓扑和物理网络拓扑，并通过仿真实验测试，结果表明，运用本方法进行虚拟网络映射实验，虽然在运行时间上稍微长一些，但该方法提高了运算速度，并减少了能量消耗。
【技术实现步骤摘要】
本专利技术涉及一种虚拟网络智能优化方法，特别是涉及多目标的虚拟网络映射智能优化方法，属于虚拟网络
技术介绍
随着互联网技术的飞速发展，目前的尽力而为的因特网框架已经不能满足日益增长的网络用户的需求。在已有的互联网架构上部署新的协议和开发新的应用变得十分困难。互联网的架构呈现僵化现象。网络虚拟化技术被认为是解决网络僵化问题的关键技术之一。虚拟网络映射最近成为学者研究的热点之一，虚拟网络映射主要是把带有CPU容量和带宽约束的虚拟网络请求映射到底层物理网络上，主要分为两个阶段：虚拟节点映射阶段和虚拟链路映射阶段。虚拟节点映射就是把虚拟节点映射到底层物理节点上；虚拟链路映射就是把虚拟链路映射到底层一条物理路径上。相较单目标的虚拟网络映射算法，多目标增强的虚拟网络映射算法能更加全面地表征虚拟网络映射算法的有效性，进而提高运营商的收益，同时减少映射成本消耗。因此，多目标的虚拟网络映射算法如今已经越来越受到研究学者的关注。在目前的虚拟网络映射算法中，主要考虑运营商的收益/成本比和接受率等指标，也有论文还考虑长期收益和长期成本等等。传统的单目标的虚拟网络映射算法主要针对某个具体指标进行提高算法的精度。例如：为了提高收益/成本比，使用广度优先遍历算法进行节点映射。传统的单目标的方法主要存在以下不足：(1)只能针对某个目标进行优化，例如：提高收益，或者减少成本消耗。(2)大部分通过启发式算法来完成虚拟网络映射，未能通过智能优化算法对映射结果进行优化，精度有待于进一步提高。(3)传统的粒子群优化算法容易陷入局部最优解。
技术实现思路
针对上述传统的虚拟网络映射方法的不足，本专利技术提出一种基于小生境的多目标增强的粒子群优化的虚拟网络映射方法。该方法在利用通过利用离散的方法编码虚拟节点映射方案为粒子的位置，通过聚类策略把多目标约束的问题转换为单目标的约束问题，引入小生境粒子群优化方法进行多目标优化，避免优化方案进入局部最优，使虚拟网路映射方案的收益更高，能量消耗成本更低。基于上述技术问题，本专利技术采用的技术方案为一种基于小生境的多目标粒子群优化的虚拟网络映射方法，实现本方法的步骤如下，对虚拟节点映射方案进行离散编码为粒子的位置；将虚拟网络映射的收益和资源消耗作为适应度函数以评价当前方案；每个粒子在迭代过程中根据个体最优信息和全局最优信息来调整自己的位置，以获得虚拟网络映射的近似最优解。通过聚类策略把多约束的问题转变为单约束的问题，利用一个适应度函数来完成。并通过实验模拟仿真验证该算法的有效性。具体包括如下步骤：(1)对虚拟节点映射方案进行离散编码粒子的位置向量被定义为第i个可能的映射方案，D表示该虚拟网络请求中共包含D个虚拟网络节点。取正整数，其值表示第j个虚拟节点从其底层网络候选节点列表中选择的底层网络节点编号。(2)通过聚集策略确定多目标的适应度函数一般的粒子群优化算法都是针对单一目标的。主要的原因在于基本的粒子群优化算法中，衡量每个粒子的优劣的适应度函数一般都是一个单目标的简单函数。为了解决多目标的粒子群优化问题，最常用的方法就是聚集。通过聚集能够使多个目标的优化问题很容易地转变为单目标的优化问题。首先，假设收益为E(Gv)，成本消耗为C(Gv)，对上述两个度量指标进行归一化得到E(Gv)n和C(Gv)n。然后，加权求和给出多目标的适应度函数：f(Gν)＝αC(Gν)n+(1-α)E(Gν)n这样，就通过聚集策略把多目标的优化问题转变为单目标的优化问题。(3)利用小生境粒子群优化算法解决局部最优问题传统的粒子群优化算法容易陷入局部最优。本方法利用小生境粒子群优化算法，把整个搜索空间划分为多个局部的子空间。在每个子空间中，并行地独立地运行基本的粒子群优化算法。(4)多目标增强的小生境粒子群优化过程如下：(5)计算收益和能量消耗通过GT-ITM网络拓扑生成工具生成虚拟网络和物理网络的拓扑结构。虚拟网络和物理网络都是以文件的形式存储，通过C++实现多目标增强的粒子群优化的虚拟网络映射算法。与现有技术相比，本专利技术具有以下明显的优势和有益效果：(1)本专利技术提出一种基于小生境的多目标增强的粒子群优化的虚拟网络映射算法。(2)本专利技术主要优化虚拟网络映射问题中的收益和成本消耗两个目标。(3)本专利技术利用了小生境粒子群优化算法来解决普通的粒子群算法容易陷入局部最优的问题，使得虚拟网络映射解决方案更加完善，比起普通的单目标的虚拟网络映射算法，本专利技术方法可以优化收益和成本消耗两个指标。运用本专利技术方法进行网络模拟仿真实验，相对于其他著名的虚拟网络映射算法D-ViNE-SP和EA-PSO而言，本算法比D-ViNE-SP算法多产生30％的收益，比EA-PSO算法多产生17％的收益。在能量消耗方面，本算法相对于D-ViNE-SP算法可以减少17％的能耗，相对于EA-PSO算法可以减少5％的能耗。附图说明图1为本专利技术所提出的多目标的小生境粒子群优化算法的流程图；图2为本专利技术所涉及方法的框架图；具体实施方式下面结合附图和具体实施方式对本专利技术做进一步的描述。本专利技术所涉及方法的流程图如图2所示，包括以下步骤：步骤一，对虚拟节点映射方案进行离散编码为粒子的位置和速度。【粒子的位置】粒子的位置向量被定义为第i个可能的映射方案。D表示该虚拟网络请求中共包含D个虚拟网络节点。取正整数，其值表示第j个虚拟节点从其底层网络候选节点列表中选择的底层网络节点编号。【粒子的速度】粒子的速度向量被定义映射方案的调整决策。用于指导当前的映射方案向更优的映射方案调整。其中是一个二进制变量，如果其值为0，表示第j个虚拟节点需要从它的底层网络候选节点列表中重新选择节点映射。步骤二，定义粒子之间的运算法则，使粒子群优化算法能够解决虚拟网络映射问题。【减法】用于计算两种映射方案的差异性。如果映射方案和在同一维上具有相同的值，则差值的结果为1，否则为0；例如：【加法】用于获得映射方案的调整策略。其中PiVi和PjVj分别表示以Pi的概率维持Vi各维的值和以Pj的概率维持Vj各维的值，且Pi+Pj＝1(0≤P≤1)。例如：其中*表示这个维度的值不确定，该维度的值为0或者1。在本例的加法结果中第一个*表示此维度的值以0.1的概率取0，以0.9的概率取1。【乘法】用于获得新的映射方案。映射方案Xi按照调整决策Vi对其虚拟节点映射方案进行调整。例如：表明映射方案中第二个虚拟网络节点的映射方案需要调整。因此，重新得出重定义后的粒子群优化算法的位置和速度更新基本公式如下：其中，Xpb代表历史最佳位置，Xgb代表邻域最佳位置。步骤三，基本的粒子群优化算法。步骤四，小生境粒子群优化算法。在小生境粒子群优化算法中，输入是物理网络SN，用一个无向图Gs表示，一个虚拟网络请求Gv；输出是收益和能耗最优的虚拟网络映射解决方案。首先初始化M个粒子作为主要的粒子。然后利用基本粒子群优化算法训练主要的粒子。在这个步骤里，希望构建初始小生境。对于那些主要的粒子，适应度函数的改变程度如果比S小，就可以被认为是该小生境的中心，该小生境的半径定义为中心和另一个解决方案之间的欧式距离。针对每一个小生境而言，并行且独立地运行基本粒子群优化算法，用以训练每个粒子。更新每个粒子的适应度函数和半径，允许小生境吸收来自其他小本文档来自技高网...
【技术保护点】
一种基于小生境的多目标粒子群优化的虚拟网络映射方法，其特征在于：本方法的实施步骤如下，对虚拟节点映射方案进行离散编码为粒子的位置；将虚拟网络映射的收益和资源消耗作为适应度函数以评价当前方案；每个粒子在迭代过程中根据个体最优信息和全局最优信息来调整自己的位置，以获得虚拟网络映射的近似最优解；通过聚类策略把多约束的问题转变为单约束的问题，利用一个适应度函数来完成；并通过实验模拟仿真验证该算法的有效性；具体包括如下步骤：(1)对虚拟节点映射方案进行离散编码粒子的位置向量被定义为第i个可能的映射方案，D表示该虚拟网络请求中共包含D个虚拟网络节点；取正整数，其值表示第j个虚拟节点从其底层网络候选节点列表中选择的底层网络节点编号；(2)通过聚集策略确定多目标的适应度函数一般的粒子群优化算法都是针对单一目标的；主要的原因在于基本的粒子群优化算法中，衡量每个粒子的优劣的适应度函数一般都是一个单目标的简单函数；为了解决多目标的粒子群优化问题，最常用的方法就是聚集；通过聚集能够使多个目标的优化问题很容易地转变为单目标的优化问题；首先，假设收益为E(Gv)，成本消耗为C(Gv)，对上述两个度量指标进行归一化得到E(Gv)n和C(Gv)n；然后，加权求和给出多目标的适应度函数：f(Gυ)＝αC(Gυ)n+(1‑α)E(Gυ)n这样，就通过聚集策略把多目标的优化问题转变为单目标的优化问题；(3)利用小生境粒子群优化算法解决局部最优问题传统的粒子群优化算法容易陷入局部最优；本方法利用小生境粒子群优化算法，把整个搜索空间划分为多个局部的子空间；在每个子空间中，并行地独立地运行基本的粒子群优化算法；(4)多目标增强的小生境粒子群优化过程如下：(5)计算收益和能量消耗通过GT‑ITM网络拓扑生成工具生成虚拟网络和物理网络的拓扑结构；虚拟网络和物理网络都是以文件的形式存储，通过C++实现多目标增强的粒子群优化的虚拟网络映射算法。...
【技术特征摘要】
1.一种基于小生境的多目标粒子群优化的虚拟网络映射方法，其特征在于：本方法的实施步骤如下，对虚拟节点映射方案进行离散编码为粒子的位置；将虚拟网络映射的收益和资源消耗作为适应度函数以评价当前方案；每个粒子在迭代过程中根据个体最优信息和全局最优信息来调整自己的位置，以获得虚拟网络映射的近似最优解；通过聚类策略把多约束的问题转变为单约束的问题，利用一个适应度函数来完成；并通过实验模拟仿真验证该算法的有效性；具体包括如下步骤：(1)对虚拟节点映射方案进行离散编码粒子的位置向量被定义为第i个可能的映射方案，D表示该虚拟网络请求中共包含D个虚拟网络节点；取正整数，其值表示第j个虚拟节点从其底层网络候选节点列表中选择的底层网络节点编号；(2)通过聚集策略确定多目标的适应度函数一般的粒子群优化算法都是针对单一目标的；主要的原因在于基本的粒子群优化算法中，衡量每个粒子的优劣的适应度函数一般都是一个单目标的简单函数；为了解决多目标的粒子群优化问题，最常用的方法就是聚集；通过聚集能够使多个目标的优化问题很容易地转变为单目标的优化问题；首先，假设收益为E(Gv)，成本消耗为C(Gv)，对上述两个度量指标进行归一化得到E(Gv)n和C(Gv)n；然后，加权求和给出多目标的适应度函数：f(Gυ)＝αC(Gυ)n+(1-α)E(Gυ)n这样，就通过聚集策略把多目标的优化问题转变为单目标的优化问题；(3)利用小生境粒子群优化算法解决局部最优问题传统的粒子群优化算法容易陷入局部最优；本方法利用小生境粒子群优化算法，把整个搜索空间划分为多个局部的子空间；在每个子空间中，并行地独立地运行基本的粒子群优化算法；(4)多目标增强的小生境粒子群优化过程如下：(5)计算收益和能量消耗通过GT-ITM网络拓扑生成工具生成虚拟网络和物理网络的拓扑结构；虚拟网络和物理网络都是以文件的形式存储，通过C++实现多目标增强的粒子群优化的虚拟网络映射算法。2.根据权利要求1所述的一种基于小生境的多目标粒子群优化的虚拟网络映射方法，其特征在于：本方法包括以下步骤，步骤一，对虚拟节点映射方案进行离散编码为粒子的位置和速度；【粒子的位置】粒子的位置向量被定义为第i个可能的映射方案；D表示该虚拟网络请求中共包含D个虚拟网络节点；取正整数，其值表示第j个虚拟节点从其底层网络候选节点...
【专利技术属性】
技术研发人员：姚海鹏，张培颖，方超，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。