一种节能的云-边弹性光网络中计算任务链部署方法技术

本发明专利技术提出了一种节能的云

【技术实现步骤摘要】
一种节能的云
‑
边弹性光网络中计算任务链部署方法


[0001]本专利技术涉及弹性光网络和云
‑
边通信的
，尤其涉及一种节能的云
‑
边弹性光网络中计算任务链部署方法，当弹性光网络作为边缘节点和云数据中心的通信设施时，使用深度强化学习进行节能的计算任务链部署。

技术介绍

[0002]随着人工智能、物联网(IoT)以及更多应用(CloudVR、车联网等)的出现，不同于提供视频流量服务，这些服务的提供需要基于大量的计算。云计算在面对大量计算请求时可能无法满足延迟。借助边缘计算，可以满足计算的延迟要求。因此，云边缘计算可以提供高质量、低延迟的计算服务。
[0003]弹性光网络(Elastic Optical Network,EON)是一种很有前途的用于边缘节点和云数据中心之间通信的网络基础设施，将底层物理网络中的资源抽象到云
‑
边计算的资源池中，再对虚拟网络进行资源分配和管理，能够提供灵活、高效的服务。
[0004]通常，云边缘计算网络中的请求采用计算任务链(CTC)的形式，它结合了多个子计算任务(sCT)。计算任务链在运行时按需提供所需的服务，它对能耗有直接影响，取决于这些计算任务链被映射到哪里，因为物理机的能耗取决于其流量负载。
[0005]为了降低网络的能源消耗，则需要对部署过程进行优化。CPU有不同负载等级，这与不同的映射位置有关，其能耗可优化。放大器也与不同的映射位置有关，如果映射的起点和终点相距较远，则中间路径的放大器能耗就会很大。如果映射很近的点则也可能会引起近的点的CPU负载高,CPU能耗值增加。端口和收发机这两部分通过复用以降低能耗。
[0006]网络总能耗主要由四部分组成：CPU、端口、收发器和放大器，首先对这四部分的能耗进行建模：
[0007]CPU：使用以下公式计算云边缘节点的CPU能耗。首先，将CPU设置为具有睡眠和活动的状态。当节点在t时刻未部署CTC时，CPU处于休眠状态，在当前时间t，如果节点有CTC部署，则根据公式(1)计算当前节点消耗的能耗值，其中，X
nr
代表是否部署了CTC，C
′
r
是处于激活状态的节点处理的每个请求所需的计算资源，表示CPU的基本消耗，表示不同负载等级下的能源消耗值，表示当前所有请求，r为请求集合中的一个请求。根据公式(2)计算所有节点CPU的总能耗值，其中，表示CPU休眠状态下的能耗值，N是节点集合，n是某一个节点，R是请求的计算任务链集合，r
t
是计算任务链集合中的一个请求。
[0008][0009][0010]端口：认为400Gbps的基础能耗为560W，端口能耗用表示。根据公式(3)计算所有端口的总能耗。其中，取值为0或1，代表是否有链路部署；是端口休眠状态下的能耗值；P是底层链路集合，p是其中的一条链路；R
l
是请求的链路集合，是其中的一条链路。
[0011][0012]收发机：能耗取决于业务请求的线速度，对于每一个线速率单位，能耗为1.683W(参数η＝1.683W/Gbps)，计算公式如(4)所示。其中，B表示传输速率。根据公式(5)计算所有收发机的总能耗。取值为0或1，代表是否有链路部署，是收发机在休眠状态下的能耗值。
[0013][0014][0015]放大器：每个放大器的能耗计算如公式(6)所示。其中，X是光纤中放大的光谱区域。放大器的总能耗EAmp
t
计算如公式(7)所示。其中，取值为0或1，代表是否有路径经过该放大器，是放大器在休眠状态下的能耗值，A是所有潜在可放置放大器的位置集合，a是其中的某一个位置。
[0016][0017][0018]因此，T表示业务请求的时间段长度，总的能耗计算如公式(8)所示：
[0019]E＝({∑
t∈T
(ECpu
t
+EPor
t
+ETra
t
+EAmp
t
)})
ꢀꢀ
(8)
[0020]我们的研究考虑进行任务链的尽可能多的部署的同时，考虑部署的优化来降低网络的能源消耗。同时，深度强化学习(Deep Reinforcement Learning，DRL)在解决大规模任务时的有效性也得到了验证。

技术实现思路

[0021]针对云边计算网络中任务链的部署映射优化不能满足需求，弹性光网络的能源消耗较大的技术问题，本专利技术提出一种节能的云
‑
边弹性光网络中计算任务链部署方法，采用图卷积神经网络(Graph Convolutional Neural Network，GCN)作为强化学习中的学习代理(Agent)，通过不断与环境进行交互，输出的动作(Action)策略能选择出能源消耗更低的业务部署方案。
[0022]为了达到上述目的，本专利技术的技术方案是这样实现的：一种节能的云
‑
边弹性光网
络中计算任务链部署方法，其特征在于，包括业务的部署和能耗模型；所述业务的部署两个阶段：第一阶段是深度强化学习的输出策略为每个子任务选择映射的节点；第二阶段是按子任务的逻辑顺序，通过改进的最短路径TMR
‑
MSP
‑
EF算法为子任务寻找相互连接的路径，选择子任务之间的路径的连接；所述能耗模型描述弹性光网络中各个设备组件的能耗计算。
[0023]所述能耗模型中各个设备组件包括CPU、端口、收发机和放大器。
[0024]所述改进的最短路径TMR
‑
MSP
‑
EF算法的策略是在最短路径的基础上，每次进行频谱分配时，选择最接近请求数量的空闲频槽块进行区域分配；所述深度强化学习的输出策略的模型采用强化学习结合图卷积神经网络，图卷积神经网络作为强化学习中的学习代理。
[0025]当一个包含子任务的计算任务链请求R＝(Nv,Lv,Rn,Rl)到达时，其中，Nv和Lv是子任务的节点和虚拟链路的集合，而Rn和Rl分别表示子任务所请求需要的节点和链路资源；代理从底层网络环境中获取特征，输入图卷积神经网络得到各个子任务部署映射动作；根据代理的动作执行结果计算奖励值；根据损失函数更新图卷积神经网络的参数；如果迭代训练没有结束，则循环上述步骤，根据网络状态、动作、奖励值不断更新图卷积神经网络的参数，进行策略动作的优化。
[0026]作为学习代理的2层的图卷积神经网络负责生成节点嵌入策略，图卷积神经网络输出的动作的概率分布选择动作策略。
[0027]所述图卷积神经网络将代理动态获取的当前环境中的节点的特征进行处理，获得相应顶点嵌入动作的概率分布，根据概率分布进行相应动作的选择；在每次的交互中，由奖励的反馈和策略梯度的更新来不断优化图神经神经网络中的参数，使图神经神经网络能做出更好的节点嵌入策略。
[0028]所述节点的特征包括5个特征属性：节点CPU的能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种节能的云
‑
边弹性光网络中计算任务链部署方法，其特征在于，包括业务的部署和能耗模型；所述业务的部署两个阶段：第一阶段是深度强化学习的输出策略为每个子任务选择映射的节点；第二阶段是按子任务的逻辑顺序，通过改进的最短路径TMR
‑
MSP
‑
EF算法为子任务寻找相互连接的路径，选择子任务之间的路径的连接；所述能耗模型描述弹性光网络中各个设备组件的能耗计算。2.根据权利要求1所述的节能的云
‑
边弹性光网络中计算任务链部署方法，其特征在于，所述能耗模型中各个设备组件包括CPU、端口、收发机和放大器。3.根据权利要求1所述的节能的云
‑
边弹性光网络中计算任务链部署方法，其特征在于，所述改进的最短路径TMR
‑
MSP
‑
EF算法的策略是在最短路径的基础上，每次进行频谱分配时，选择最接近请求数量的空闲频槽块进行区域分配；所述深度强化学习的输出策略的模型采用强化学习结合图卷积神经网络，图卷积神经网络作为深度强化学习中的学习代理；所述图卷积神经网络不断与环境交互，减少能耗模型中完成业务部署消耗的总能耗值。4.根据权利要求1
‑
3中任一项所述的节能的云
‑
边弹性光网络中计算任务链部署方法，其特征在于，当一个包含子任务的计算任务链请求R＝(Nv，Lv，Rn，Rl)到达时，其中，Nv和Lv是子任务的节点和虚拟链路的集合，而Rn和Rl分别表示子任务所请求需要的节点和链路资源；代理从底层网络环境中获取特征，输入图卷积神经网络得到各个子任务部署映射动作；根据代理的动作执行结果计算奖励值；根据损失函数更新图卷积神经网络的参数；如果迭代训练没有结束，则循环上述步骤，根据网络状态、动作、奖励值不断更新图卷积神经网络的参数，进行策略动作的优化。5.根据权利要求4所述的节能的云
‑
边弹性光网络中计算任务链部署方法，其特征在于，作为学习代理的2层的图卷积神经网络负责生成节点嵌入策略，图卷积神经网络输出的动作的概率分布选择动作策略。6.根据权利要求5所述的节能的云
‑
边弹性光网络中计算任务链部署方法，其特征在于，所述图卷积神经网络将代理动态获取的当前环境中的节点的特征进行处理，获得相应顶点嵌入动作的概率分布，根据概率分布进行相应动作的选择；在每次的交互中，由奖励的反馈和策略梯度的更新来不断优化图神经神经网络中的参数，使图神经神经网络能做出更好的节点嵌入策略。7.根据权利...

【专利技术属性】
技术研发人员：朱睿杰，张文超，贺硕，王培森，周兵，吕培，李亚飞，徐明亮，
申请(专利权)人：郑州大学，
类型：发明
国别省市：