一种基于虚拟网络功能资源需求预测的网络延时优化方法技术

本发明专利技术公开了一种基于虚拟网络功能资源需求预测的网络延时优化方法，所包括：利用SDN的全局感知，获取网络中SFC的信息，并提取SFC的资源需求特征；构建LSTM神经网络预测模型，预测VNFs下一时刻的资源需求；根据预测结果，判断所述网络的负载情况，并决定是否进行优化；将网络变化程度分级，并根据网络环境的不同变化程度重构SFCs，使得网络时延最小。本发明专利技术充分利用VNF弹性灵活的优点，再结合深度学习预测算法，提出一种基于虚拟网络功能资源需求预测的网络延时优化方法，本发明专利技术利用基于LSTM神经网络的预测模型预测VNF在下一时刻的资源需求，在实际流量到达之前调整VNF部署，解决滞后性问题，根据网络环境的不同变化程度重构SFCs，优化网络延时，提高用户体验。

An optimization method of network delay based on the demand prediction of virtual network functional resources

【技术实现步骤摘要】
一种基于虚拟网络功能资源需求预测的网络延时优化方法
本专利技术涉及通信
，尤其涉及一种基于虚拟网络功能资源需求预测的网络延时优化方法。
技术介绍
网络功能虚拟化(NFV)利用虚拟化技术为未来网络设计提供给了一种新的网络设计思路，它将网络功能的软件实现部分从底层的硬件中解耦并迁移到虚拟平台上，通过运行在通用硬件设备上的软件来实现传统网络专用硬件设备的功能，这种脱钩带来了许多好处，包括减少资本支出(CAPEX)和运营费用(OPEX)、提高服务提供的灵活性等，但在性能方面有所下降。NFV的模式下，为了给用户提供精准服务，提高网络资源利用率，引入了服务功能链(SFC)的重要概念，SFC由一组有序的虚拟网络功能(VNF)(如防火墙、深度包解析、负载平衡器等)组成，用户流按照预先定义的顺序依次经过这些VNF，完成网络服务。目前，已经有很多工作研究了SFC/VNF的部署，它们指出用软件模块实现的网络功能要在性能方面保持原有水平是一件有挑战的事情。目前所提出的策略大多集中在离线优化的VNF部署问题上，它们假设所有的SFC请求都是恒定值。这种考虑有所缺陷，SFC的流量需求可能是随机的，流量需求的剧烈变化可能引发SFC的重构。也就是说，网络中的工作负载并非一成不变，VNF的处理时延和排队时延会随着CPU利用率和链路利用率的变化而变化，当节点或者链路的负载超出阈值时，网络的性能会下降，导致不能容忍的延时和包丢失。为了保证SFC的服务等级协议(SLA)，一些研究动态地供应VNF实例，以便充分满足波动的输入流量。但是这种情况下的VNF供应存在滞后性，在复制VNF映像和启动虚拟机(VM)时，会导致VNF部署延时，不能保证SLA。
技术实现思路
为了解决滞后性问题，在实际流量到达之前调整VNF部署，需要采取一种预测机制，本专利技术先构建一个LSTM模型，输入为过去一段时间里各个VNF的资源需求，输出为下一时刻各个VNF的资源需求。然后根据预测结果，调整VNF部署，减小节点和链路的负载率，从而优化网络延时。本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术公开了一种基于虚拟网络功能资源需求预测的网络延时优化方法，所述方法包括：步骤1，利用SDN的全局感知，获取网络中SFC的信息，并提取SFC的资源需求特征；步骤2，构建LSTM神经网络预测模型，预测VNFs下一时刻的资源需求；步骤3，根据预测结果，判断所述网络的负载情况，并决定是否进行优化；步骤4，将网络变化程度分级，并根据网络环境的不同变化程度重构SFCs，使得网络时延最小。更进一步地，所述步骤1进一步包括：将物理网络表示为一个无向图，表示为Gp＝(Np，Lp)，其中Np表示物理节点的集合，Lp表示物理链路的集合；每个物理节点n∈Np的CPU资源表示为物理节点m，n∈Np之间的链路lm，n∈Lp的带宽资源表示为根据需求设定它们各自的阈值，分别表示为rc、rb；将SFCs表示为一个有向图，表示为Gs＝(Ns，Ls)，其中Ns表示VNF节点的集合，Ls表示VNF之间虚拟链路的集合；当有T条SFC请求，集合表示为T＝{S1，S2，...，ST}，网络中存在F种类型的VNF，集合表示为F＝{vnf1，vnf2，...，vnfF}；每条SFC由一个或多个VNF组成，其中，第i条SFC由k个不同类型的VNF组成，将Si表示为其中oi是源点，ti是目标点，是k个VNF的集合，表示为当服务器上内存类型的硬件资源充足时，提取CPU资源作为VNF资源需求的特征，其中，将Si中vnfk所需的CPU资源表示为Ci，k，观察得到Si所需CPU资源的历史样本，表示为Qi＝{Ci，1，Ci，2，...，Ci，k}，其中，d表示样本中时隙的个数；将Si中vnfk和vnfk+1之间的虚拟链路表示为li，k，k+1，li，k，k+1所需的带宽资源表示为Bi，k，k+1。Bi，k，k+1的公式如下所示：Bi，k，k+1＝Ci，k·Lp/tproc，其中，Lp表示数据包的长度，tproc表示包处理时间。更进一步地，所述步骤2进一步包括：通过LSTM的遗忘门、输入门和输出门对VNF输入进行迭代学习，其中，LSTM通过计算以及门控制输入和输出数据来学习门，并且通过遗忘门删除无用的数据。更进一步地，所述步骤3进一步包括：构建一个整数线性规划模型(ILP)，公式如下所示：其中，是一个二进制变量，当部署在节点n∈Np上时为1，否则为0。也是二进制变量，当相邻的vnfk和vnfk+1之间的虚拟链路li，k，k+1映射在物理链路lm，n∈Lp上时为1，否则为0，根据LSTM预测的结果，判断网络的负载情况，对于已经部署的SFCs，根据网络环境的变化程度选择不同级别的重构方式，对于新到的SFCs，选择合适的节点和链路进行映射。更进一步地，所述步骤4中的所述网络环境的不同变化程度包括：当节点负载在阈值范围内，链路负载超出阈值，即λlink超出设定的阈值，但是λproc没有超出阈值，将上述目标表达式简化为以下公式：在网络中搜寻可替代原链路的负载率最小的链路，重新路由，若搜寻不到，考虑可分离流，将流量分成多条链路路由；若存在相同负载率的可替代链路，选择跳数较小的那个。更进一步地，所述步骤4中的所述网络环境的不同变化程度还包括：当节点负载超出阈值范围，即λproc超出设定的阈值，对整条SFC进行重构，将超出节点资源阈值的VNF迁移到别的负载率小的节点上；其中，SFC的重构成本，表示为Crecon，公式如下所示：其中，Bi，k，k+1表示迁移vnfk的带宽需求，|lu，v|表示将vnfk从节点u迁移到v的物理链路的跳数；再将SFC的重构成本作为约束条件，利用求解器求解整数线性模型(ILP)，找到的最优解。更进一步地，利用基于禁忌搜索的启发式算法进行优化。本专利技术还公开了一种优化系统，包括：存储器、处理器及存储在所述处理器的可执行指令；所述处理器配置为经由执行所述可执行指令来执行上述的基于虚拟网络功能资源需求预测的网络延时优化方法。本专利技术进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于虚拟网络功能资源需求预测的网络延时优化方法。本专利技术与现有技术相比，有益效果为：本专利技术充分利用VNF弹性灵活的优点，再结合深度学习预测算法，我们提出一种基于虚拟网络功能资源需求预测的网络延时优化方法，本专利技术利用基于LSTM神经网络的预测模型预测VNF在下一时刻的资源需求，在实际流量到达之前调整VNF部署，解决滞后性问题，根据网络环境的不同变化程度重构SFCs，优化网络延时，提高用户体验。附图说明从以下结合附图的描述可以进一步理解本专利技术。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。图1是本专利技术的基于虚拟网络功能资源需求预测的网络延时优化方法的流程图；图2是本专利技术本文档来自技高网...

【技术保护点】
1.一种基于虚拟网络功能资源需求预测的网络延时优化方法，其特征在于，所述方法包括：/n步骤1，利用SDN的全局感知，获取网络中SFC的信息，并提取SFC的资源需求特征；/n步骤2，构建LSTM神经网络预测模型，预测VNFs下一时刻的资源需求；/n步骤3，根据预测结果，判断所述网络的负载情况，并决定是否进行优化；/n步骤4，将网络变化程度分级，并根据网络环境的不同变化程度重构SFCs，使得网络时延最小。/n

【技术特征摘要】
1.一种基于虚拟网络功能资源需求预测的网络延时优化方法，其特征在于，所述方法包括：
步骤1，利用SDN的全局感知，获取网络中SFC的信息，并提取SFC的资源需求特征；
步骤2，构建LSTM神经网络预测模型，预测VNFs下一时刻的资源需求；
步骤3，根据预测结果，判断所述网络的负载情况，并决定是否进行优化；
步骤4，将网络变化程度分级，并根据网络环境的不同变化程度重构SFCs，使得网络时延最小。


2.如权利要求1所述的一种基于虚拟网络功能资源需求预测的网络延时优化方法，其特征在于，所述步骤1进一步包括：将物理网络表示为一个无向图，表示为Gp＝(Np，Lp)，其中Np表示物理节点的集合，Lp表示物理链路的集合；每个物理节点n∈Np的CPU资源表示为物理节点m，n∈Np之间的链路lm，n∈Lp的带宽资源表示为根据需求设定它们各自的阈值，分别表示为rc、rb；将SFCs表示为一个有向图，表示为Gs＝(Ns，Ls)，其中Ns表示VNF节点的集合，Ls表示VNF之间虚拟链路的集合；当有T条SFC请求，集合表示为T＝{S1，S2，...，ST}，网络中存在F种类型的VNF，集合表示为F＝{vnf1，vnf2，...，vnfF}；每条SFC由一个或多个VNF组成，其中，第i条SFC由k个不同类型的VNF组成，将Si表示为其中oi是源点，ti是目标点，是k个VNF的集合，表示为当服务器上内存类型的硬件资源充足时，提取CPU资源作为VNF资源需求的特征，其中，将Si中vnfk所需的CPU资源表示为Ci，k，观察得到Si所需CPU资源的历史样本，表示为Qi＝{Ci，1，Ci，2，...，Ci，k}，其中，d表示样本中时隙的个数；将Si中vnfk和vnfk+1之间的虚拟链路表示为li，k，k+1，li，k，k+1所需的带宽资源表示为Bi，k，k+1。Bi，k，k+1的公式如下所示：Bi，k，k+1＝Ci，k·Lp/tproc，其中，Lp表示数据包的长度，tproc表示包处理时间。


3.如权利要求2所述的一种基于虚拟网络功能资源需求预测的网络延时优化方法，其特征在于，所述步骤2进一步包括：通过LSTM的遗忘门、输入门和输出门对VNF输入进行迭代学习，其中，LSTM通过计算以及门控制输入和输出数据来学习门，并且通过遗忘门删除无用的数据。


4.如权利要求3所述的一种基于虚拟网络功能资源需求预测的网络延...

【专利技术属性】
技术研发人员：蔡君，钱凯丽，罗建桢，刘燕，魏文国，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：广东;44