【技术实现步骤摘要】
基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法
本专利技术属于移动通信
，涉及一种基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法。
技术介绍
目前移动网络行业正在迅速向5g演进，“移动宽带增强”、“大规模物联网”、“低时延高可靠通信”三大类新应用领域将发挥重要作用。5g网络具有很高的灵活性来应对移动运营商的业务变化，特别是网络功能虚拟化概念的提出使得基础设施能够灵活地满足垂直应用需求的多样化。网络切片是无线虚拟网络中灵活配置资源的技术，可以快速部署和集中管理。它主要是借助软件定义网络(SoftwareDefinedNetwork,SDN)和网络功能虚拟化(NetworkFunctionVirtualization,NFV)技术，将有限的物理资源经过分割和重组，形成逻辑上相互独立的虚拟网络资源供各个切片网络使用，以此实现网络资源的重复高效利用，减少运营商的成本投入和运营支出，为租户提供更好质量的同时提高了网络资源的利用率。在切片网络中，每个业务请求由一些不同的虚拟网络功能(VirtualNetworkFunction,VNF)组成，这些网络功能...
【技术保护点】
1.基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：包括以下步骤：S1：针对切片网络中服务功能链SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；S2：为了实现自发的虚拟网络功能VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应深度信念网络DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。
【技术特征摘要】
1.基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：包括以下步骤：S1：针对切片网络中服务功能链SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；S2：为了实现自发的虚拟网络功能VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应深度信念网络DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。2.根据权利要求1所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S1中，所述综合迁移开销和带宽开销的系统开销模型包括：把底层网络形式化为一个无向图GS＝(NS,LS)其中，NS表示底层节点集合，每个节点部署一个或多个VNF，LS表示所有底层链路的集合；节点资源包括CPU资源和内存资源，每单位CPU资源代表处理一个数据包所需的资源；每个底层节点m∈NS的节点CPU容量为内存资源容量为M(m)，连接节点m和n的链路lmn的带宽为是节点m和n之间无环路的路径集合；SFC链形式化成有向图，表示为GV＝(NV,LV)其中，NV表示所有的VNF集合，LV表示连接VNF的所有虚拟链路的集合，每个SFC由一些有序的VNF功能组成，SFC集合表示为S＝{sq|q＝1,2,...Q}每个SFC∈Q由和连接相邻两个VNFu和v的虚拟链路组成；SFC中每个VNFu的CPU资源需求为内存资源需求为M(u)，虚拟链路luv带宽需求为定义一个二进制变量表示虚拟链路luv是否映射到物理链路lmn∈LS上，由于SFC是由多个有序的VNF组成的，经过每个VNF时数据流可能会被压缩或者扩张，从而所需的带宽发生变化；一个VNF所需资源与其接下来的链路所需资源有以下关系：其中Lp表示包长，tproc表示包处理时间。3.根据权利要求2所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S1中，系统开销包括迁移开销和带宽开销，近似认为迁移虚拟网络功能的开销等价为迁移虚拟网络功能内存数据所占用网络带宽的时间，将虚拟网络功能u从底层节点n迁移到m的迁移开销定义为：其中Bt(d)表示t实隙底层节点m到n的路径即P(m,n)上链路d的剩余可用带宽；n表示虚拟网络功能未迁移前所在的底层节点；m表示虚拟网络功能所要迁移到的目标节点；Mt(u)表示t实隙虚拟网络功能的内存资源量；定义虚拟网络功能u和v对底层节点m和n产生的带宽开销为：其中hopt(m,n)表示t实隙底层节点m到n的最短距离即所经过的底层链路跳数；定义将u迁移到m的带宽开销为：进而将u迁移到m的总的系统开销为：其中α，β为相应的系数；所以，在t实隙时虚拟网络功能整体迁移的系统开销为：本发明优化目标为最小化迁移带来的系统开销，表示为下式：4.根据权利要求3所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S1中，当底层节点或链路的资源超过阈值时，需要制定迁移虚拟网络功能或链路的策略，具体如下：考虑的性能参数包括节点的CPU资源、内存资源和链路资源，综合对这三个指标的历史数据的监测，通过基于在线学习的自适应深度信念网络预测的方法来确定该底层节点或链路是否负载过重，然后根据预测结果进行相应的迁移动作，从而避免因为资源瓶颈而造成的SFC服务性能下降，根据资源需求的差异性，以多阈值触发方式确定需要作出迁移动作的底层节点或链路以及需要迁移的虚拟网络功能或链路；设CPU、内存和带宽的资源利用率阈值分别是rC,rM,rB，若使用t实隙及其之前的历史数据预测到t+1实隙的资源需求情况超过阈值，自动触发虚拟网络功能或链路迁移，使得迁移后满足底层节点和链路的阈值要求。5.根据权利要求1所述的基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法，其特征在于：在步骤S2中，所述基于在线学习的自适应深度信念网络预测的方法具体是指：基于在线学习的深度信念网络SFC资源需求预测模型包括离线训练、在线学习和在线迁移；在离线训练阶段，首先对SFC的CPU、内存和带宽资源需求进行特征采集，提取CPU资源需求和内存资源需求作为CPU资源需求预测的特征，即每个样本表示为并把CPU资源需求和内存资源需求作为内存资源需求预测的特征，每个样本表示为而对带宽的预测通过公式得到对于每一条SFC而言，得到的历史观察样本集合表示为O＝{···Oj···}，其中第j个样本集Oj＝[Xt,Xt-1,...Xt-d+1]，d表示样本集中样本的个数，同时也指在线学习中滑动窗口的长度，表示t实隙时SFC的资源需求特征，每个样本集按照时间序列不重复的依次选取d个实隙的样本，每个样本集的样本都是不同的，对数据进行预处理后构造DBN模型对模型参数θ＝(w,a,b)进行正向批训练以提高DBN模型的训练速度，其中w,a,b分别表示相邻两层之间的连接权重、可见层的偏置值和隐藏层的偏置值；然后进行反向微调过程，构造出最初的预测模型；在线学习阶段是对预测模型的实时优化，这里使用离线训练的结果辅助在线学习，采用滑动窗口机制实时更新样本集，即每增加一个最新样本，就丢弃一个最旧样本，保持学习样本集大小不变，并进行DBN正向训练重新调整模型参数，使用单样本集训练方法提高DBN模型的计算效率，这时相邻样本集只有一个...
【专利技术属性】
技术研发人员：唐伦，赵培培，杨友超，马润琳，周钰，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50
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。