网络功能虚拟化的总吞吐量最大化的资源优化方法技术

本公开描述了一种网络功能虚拟化的总吞吐量最大化的资源优化方法，其包括：网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，逻辑层包括逻辑节点和控制器，物理层包括物理节点；逻辑节点和控制器通过相应的物理节点经过正交信道向基站发送信息信号；基站基于信息信号计算每个逻辑节点和每个控制器的有效载荷比特数、信道使用数量、发射功率、接收信噪比、吞吐量和总发射能量；并且当第三数量、有效载荷比特数、接收信噪比、第一总发射能量和第二总发射能量满足相应要求且逻辑节点和控制器满足超可靠性要求时，管理编排系统基于混合优化算法自适应地分配发射功率和信道使用数量，以使总吞吐量最大化。

【技术实现步骤摘要】
网络功能虚拟化的总吞吐量最大化的资源优化方法
本公开涉及网络虚拟化
，具体涉及一种网络功能虚拟化的总吞吐量最大化的资源优化方法。
技术介绍
随着终端用户对具有更多样化的高数据速率的服务的要求持续增加，电信服务提供商(Telecommunicationsserviceprovider，TSP)必须相应地且持续地购买、存储和操作新的物理设备。这不仅要求操作和管理该设备的技术人员具有快速多变的技能，而且还需要密集部署网络设备，这导致高运营支出(OperationExpenditure，OPEX)和资本支出(CapitalExpenditure，CAPEX)。网络功能虚拟化(NetworkFunctionVirtualization，NFV)已被提议作为一种解决这些挑战的方法，它利用虚拟化技术提供设计、部署和管理网络服务的新方法，NFV的概念有望服务于各种新兴服务业和垂直市场，例如工业自动化，自动驾驶，机器人，医疗保健，虚拟和增强现实。资源分配(Resourceallocation，RA)是网络功能虚拟化(NFV)部署中的重要因素之一。由于物理层(Physicallayer，PHY)资源是有限的(例如，发送能量和信道使用)，用于NFV部署的PHY层的RA问题已成为快速增长的问题，尤其是对于支持超可靠和低延迟的通信(UltraReliableLowLatencyCommunications，URLLC)。此外，由于在NFV部署的上行链路(uplink，UL)传输协议中的最大化总吞吐量优化问题是高度非凸的，因此很难获得全局最优解，而由于优化问题中的过度约束条件会导致低收敛效率现象，传统的启发式算法不能直接解决最大化总吞吐量的资源优化问题。
技术实现思路
本公开是为了解决上述现有问题而完成的，其目的在于提供一种能够快速有效地完成NFV部署中的最大化总吞吐量优化问题的网络功能虚拟化的总吞吐量最大化的资源优化方法。为此，本公开提供了一种网络功能虚拟化的总吞吐量最大化的资源优化方法，是包括网络功能虚拟化架构和基站的总吞吐量最大化的资源优化方法，其特征在于，包括：所述网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，所述逻辑层包括具有第一数量的逻辑节点和具有第二数量的控制器，所述物理层包括具有第三数量的物理节点，所述第三数量等于所述第一数量与所述第二数量之和，所述逻辑节点和所述控制器通过所述虚拟层与所述物理节点形成映射关系，所述逻辑节点和所述控制器通过相应的所述物理节点经过正交信道向所述基站发送信息信号；所述基站基于所述信息信号计算每个所述逻辑节点和每个所述控制器的有效载荷比特数、信道使用数量、发射功率、接收信噪比和吞吐量，计算多个所述逻辑节点的第一总发射能量和第一总吞吐量，并计算多个所述控制器的第二总发射能量和第二总吞吐量；并且当所述第三数量等于预设服务数量、有效载荷比特数等于预设比特数且接收信噪比等于预设接收信噪比，所述逻辑节点和所述控制器满足超可靠性要求，所述第一总发射能量不大于第一能量阈值且所述第二总发射能量不大于第二能量阈值，所述信道使用数量不大于信道使用总数时，所述管理编排系统基于混合优化算法自适应地分配所述发射功率和所述信道使用数量，以使总吞吐量最大化，所述总吞吐量为所述第一总吞吐量与所述第二总吞吐量之和，其中，所述混合优化算法是多维的且以所述总吞吐量为适应值的混合蛙跳-极值优化算法，所述多维包括各个逻辑节点的发射功率和各个所述控制器的发射功率，以及各个所述逻辑节点和各个所述控制器的信道使用数量。在本公开中，基于网络功能虚拟化架构，逻辑节点和所述控制器向基站发送信息信号，基站接收信息信号并计算相关参数，当第三数量、有效载荷比特数、接收信噪比、第一总发射能量和第二总发射能量满足相应要求且逻辑节点和控制器满足超可靠性要求时，管理编排系统基于混合优化算法自适应地分配发射功率和信道使用数量，以使总吞吐量最大化。由此，能够快速有效地完成NFV部署中的最大化总吞吐量优化问题，且具有较好的全局搜索能力。在本公开所涉及的优化方法中，可选地，所述总吞吐量满足第i个逻辑节点和第j个控制器的吞吐量分别为满足和其中，kLi为第i个逻辑节点的有效载荷比特数，kCj为第j个控制器的有效载荷比特数,Pt,Li为第i个逻辑节点的发射功率，Pt,Cj为第j个控制器的发射功率，nLi为第i个逻辑节点的信道使用数量，nCj为第j个控制器的信道使用数量。由此，能够获得总吞吐量。在本公开所涉及的优化方法中，可选地，所述超可靠性要求满足和且其中，pe,Li为第i个逻辑节点的分组错误概率，pe,Cj为第j个控制器的分组错误概率，是任一个所述逻辑节点的分组错误概率上限，是任一个所述控制器的分组错误概率上限。由此，任一个控制器和基站之间的连接具有比任一个逻辑节点和基站之间的连接更高的可靠性。在本公开所涉及的优化方法中，可选地，第i个逻辑节点和第j个控制器的发射能量分别为满足ELi＝Pt,LinLi和ECj＝Pt,CjnCj，其中，ELi和ECj的单位都为W·Hz·s，Pt,Li为第i个逻辑节点的发射功率，Pt,Cj为第j个控制器的发射功率，nLi为第i个逻辑节点的信道使用数量，nCj为第j个控制器的信道使用数量，所述信道使用总数满足M为所述第一数量，N为所述第二数量。由此，能够获得各个逻辑节点和各个控制器的发射能量以及信道使用总数。在本公开所涉及的优化方法中，可选地，所述混合蛙跳-极值优化算法输入参数包括所述第一数量M、所述第二数量N、各个所述逻辑节点的有效载荷比特数kLi、各个所述控制器的有效载荷比特数kCj、各个所述逻辑节点的接收信噪比γLi、各个所述控制器的接收信噪比γCj、所述逻辑节点的分组错误概率上限所述控制器的分组错误概率上限所述第一能量阈值所述第二能量阈值和所述信道使用总数n∑，输出参数包括总吞吐量RΣ、各个所述逻辑节点的发射功率Pt,Li、所述控制器的发射功率Pt,Cj、各个逻辑节点的信道使用数量nLi和各个所述控制器的信道使用数量nCj。由此，混合蛙跳-极值优化算法能够基于上述的输入参数进行优化，并获得优化的输出参数。在本公开所涉及的优化方法中，可选地，所述混合蛙跳-极值优化算法包括：设置初始化参数；随机生成包括F只青蛙在内的种群p；每只青蛙的位置用维度为t＝2(M+N)的Xi表示；通过评估算法计算每只青蛙的适应值f(Xi)；判断是否满足收敛准则；当满足收敛准则时，获得最优的输出参数并结束进程；当不满足收敛准则时，将F只青蛙相应的适应值按照降序排序；构造p组青蛙和子模因复合体；对每组青蛙进行for循环，每一次循环中在子模因复合体中局部搜索，利用所述评估算法计算每只青蛙的适应度，并再对每只青蛙进行极值优化，每只青蛙的适应度由评估算法获得；对所有青蛙进行洗牌。由此，能够确保快速和稳定的收敛。在本公开所涉及的优化方法中，可选地，所述评估算法的输入参数为第i只青蛙的位置Xi，输出参数为第i只青蛙的位置的适应值f(Xi)，计算每只青蛙的位置的适应度f(Xi)；其中T表示惩罚系数，且满足T＝2×104；当或者时，f(Xi)＝f(Xi)-T；当或者时，f(Xi)＝f(Xi)-T；当时，f(Xi)＝f(Xi)-T；否则返回f(Xi本文档来自技高网...

【技术保护点】
1.一种网络功能虚拟化的总吞吐量最大化的资源优化方法，是包括网络功能虚拟化架构和基站的总吞吐量最大化的资源优化方法，其特征在于，包括：所述网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，所述逻辑层包括具有第一数量的逻辑节点和具有第二数量的控制器，所述物理层包括具有第三数量的物理节点，所述第三数量等于所述第一数量与所述第二数量之和，所述逻辑节点和所述控制器通过所述虚拟层与所述物理节点形成映射关系，所述逻辑节点和所述控制器通过相应的所述物理节点经过正交信道向所述基站发送信息信号；所述基站基于所述信息信号计算每个所述逻辑节点和每个所述控制器的有效载荷比特数、信道使用数量、发射功率、接收信噪比和吞吐量，计算多个所述逻辑节点的第一总发射能量和第一总吞吐量，并计算多个所述控制器的第二总发射能量和第二总吞吐量；并且当所述第三数量等于预设服务数量、有效载荷比特数等于预设比特数且接收信噪比等于预设接收信噪比，所述逻辑节点和所述控制器满足超可靠性要求，所述第一总发射能量不大于第一能量阈值且所述第二总发射能量不大于第二能量阈值，所述信道使用数量不大于信道使用总数时，所述管理编排系统基于混合优化算法自适应地分配所述发射功率和所述信道使用数量，以使总吞吐量最大化，所述总吞吐量为所述第一总吞吐量与所述第二总吞吐量之和，其中，所述混合优化算法是多维的且以所述总吞吐量为适应值的混合蛙跳‑极值优化算法，所述多维包括各个逻辑节点的发射功率和各个所述控制器的发射功率，以及各个所述逻辑节点和各个所述控制器的信道使用数量。...

【技术特征摘要】
1.一种网络功能虚拟化的总吞吐量最大化的资源优化方法，是包括网络功能虚拟化架构和基站的总吞吐量最大化的资源优化方法，其特征在于，包括：所述网络功能虚拟化架构包括逻辑层、虚拟层、物理层和管理编排系统，所述逻辑层包括具有第一数量的逻辑节点和具有第二数量的控制器，所述物理层包括具有第三数量的物理节点，所述第三数量等于所述第一数量与所述第二数量之和，所述逻辑节点和所述控制器通过所述虚拟层与所述物理节点形成映射关系，所述逻辑节点和所述控制器通过相应的所述物理节点经过正交信道向所述基站发送信息信号；所述基站基于所述信息信号计算每个所述逻辑节点和每个所述控制器的有效载荷比特数、信道使用数量、发射功率、接收信噪比和吞吐量，计算多个所述逻辑节点的第一总发射能量和第一总吞吐量，并计算多个所述控制器的第二总发射能量和第二总吞吐量；并且当所述第三数量等于预设服务数量、有效载荷比特数等于预设比特数且接收信噪比等于预设接收信噪比，所述逻辑节点和所述控制器满足超可靠性要求，所述第一总发射能量不大于第一能量阈值且所述第二总发射能量不大于第二能量阈值，所述信道使用数量不大于信道使用总数时，所述管理编排系统基于混合优化算法自适应地分配所述发射功率和所述信道使用数量，以使总吞吐量最大化，所述总吞吐量为所述第一总吞吐量与所述第二总吞吐量之和，其中，所述混合优化算法是多维的且以所述总吞吐量为适应值的混合蛙跳-极值优化算法，所述多维包括各个逻辑节点的发射功率和各个所述控制器的发射功率，以及各个所述逻辑节点和各个所述控制器的信道使用数量。2.如权利要求1所述的优化方法，其特征在于，所述总吞吐量满足第i个逻辑节点和第j个控制器的吞吐量分别为满足和其中，kLi为第i个逻辑节点的有效载荷比特数，kCj为第j个控制器的有效载荷比特数,Pt,Li为第i个逻辑节点的发射功率，Pt,Cj为第j个控制器的发射功率，nLi为第i个逻辑节点的信道使用数量，nCj为第j个控制器的信道使用数量。3.如权利要求1所述的优化方法，其特征在于，所述超可靠性要求满足和且其中，pe,Li为第i个逻辑节点的分组错误概率，pe,Cj为第j个控制器的分组错误概率，是任一个所述逻辑节点的分组错误概率上限，是任一个所述控制器的分组错误概率上限。4.如权利要求1所述的优化方法，其特征在于，第i个逻辑节点和第j个控制器的发射能量分别为满足ELi＝Pt,LinLi和ECj＝Pt,CjnCj，其中，ELi和ECj的单位都为W·Hz·s，Pt,Li为第i个逻辑节点的发射功率，Pt,Cj为第j个控制器的发射功率，nLi为第i个逻辑节点的信道使用数量，nCj为第j个控制器的信道使用数量，所述信道使用总数满足M为所述第一数量，N为所...

【专利技术属性】
技术研发人员：谢宁，张齐齐，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44