网络服务功能链在线迁移方法及系统技术方案

本发明专利技术涉及一种网络服务功能链在线迁移方法及系统，获取时间片的网络流量样本数据，基于DDQN网络架构，构建DDQN神经网络，基于网络流量样本数据以及与网络流量样本数据相对应的迁移策略，对DDQN神经网络进行训练，迁移策略包括为对应时间片的网络选择的迁移对象，基于训练完成的DDQN神经网络，以及获取到的网络流量预测数据，对对应的迁移对象进行迁移，能够对随机变化的流量自适应迁移，能够降低不可避免且不可预知的服务功能链迁移次数，提升服务功能链迁移的可靠性。服务功能链迁移的可靠性。服务功能链迁移的可靠性。

【技术实现步骤摘要】
网络服务功能链在线迁移方法及系统


[0001]本专利技术涉及网络功能虚拟化(NFV，Network Function Virtualization)中的虚拟网络功能(VNF，Virtualized Network Functions)的迁移(migration)问题，具体涉及一种网络服务功能链在线迁移方法及系统。

技术介绍

[0002]传统的网络结构较为“僵化”，需要部署多种专用的硬件设备以提供各种服务，改变服务类型可能需要更换硬件设备。网络功能虚拟化使用通用的硬件设备来部署多种功能软件，这种提供服务功能的模式解耦了硬件和软件，从而实现灵活的功能部署。其中，虚拟网络功能是特定网络功能在共享的通用硬件资源上的软件实现。
[0003]目前的网络功能虚拟化环境中迁移算法可能会导致不可避免且不可预知的服务功能链迁移问题，服务功能链迁移的可靠性较差。

技术实现思路

[0004]本专利技术提供一种网络服务功能链在线迁移方法及系统，用于解决现有的服务功能链迁移方法的可靠性较差的技术问题。
[0005]一种网络服务功能链在线迁移方法，包括以下步骤：
[0006]步骤A1：获取时间片的网络流量样本数据；
[0007]步骤A2：基于DDQN网络架构，构建DDQN神经网络；
[0008]步骤A3：基于所述网络流量样本数据，以及与所述网络流量样本数据相对应的迁移策略，对所述DDQN神经网络进行训练；其中，所述迁移策略包括为对应时间片的网络选择的迁移对象；
[0009]步骤A4：基于训练完成的所述DDQN神经网络，以及获取到的网络流量预测数据，对对应的迁移对象进行迁移。
[0010]进一步地，所述迁移策略中，在某一个时间片向所述某一个时间片的下一个时间片过渡时，根据流量变化趋势确定迁移对象，其中，当流量变化趋势为减少时，对资源利用率小于预设资源利用率阈值的节点的VNF实例实施迁移，然后关闭迁移后的空闲节点；当流量变化趋势为增加时，对资源利用率大于或者等于所述预设资源利用率阈值，或者服务功能链延迟超出预设延迟阈值的VNF实例实施迁移。
[0011]进一步地，所述步骤A3中，所述DDQN神经网络的输入为：节点状态信息、物理链路状态信息和SFC状态信息；所述DDQN神经网络的训练过程中，每一步的动作是在所有物理节点中，为虚拟功能节点选择最优的物理节点来映射。
[0012]进一步地，所述网络流量预测数据的获取过程包括：
[0013]步骤B1：获取历史网络流量数据，所述历史网络流量数据包括当天之前的某三天中与当天的当前时间片相对应的时间片的网络流量，以及当天中所述当天的当前时间片上一个时间片的网络流量；
[0014]步骤B2：基于LSTM网络架构，构建LSTM神经网络；
[0015]步骤B3：基于所述历史网络流量数据以及所述当天的当前时间片的网络流量，对所述LSTM神经网络进行训练；
[0016]步骤B4：基于训练完成的所述LSTM神经网络，对对应时间片的网络流量进行预测。
[0017]进一步地，所述当天之前的某三天分别对应当天的前一天、当天的前两天和当天的前一周。
[0018]进一步地，所述步骤B4具体为：基于训练完成的所述LSTM神经网络，对对应时间片的网络流量的放大因子进行预测；
[0019]所述LSTM神经网络的损失函数为：
[0020]loss_function＝
△
PW_running(T
q
)
·
I(op
q
‑
r
q
)+NF_migrate(T
q
)
·
I(r
q
‑
op
q
)
[0021]其中，当x<0时，I(x)＝0；当x>0时，I(x)＝1；op
q
为当天D
i
的当前时间片T
q
的放大因子：
[0022][0023]为当天D
i
的当前时间片T
q
的预测网络流量，r0为基准网络流量；
[0024]△
PW_running(T
q
)为网络在当前时间片T
q
内实际运行能耗与所需运行能耗之差：
[0025][0026]α1是网络流量与所需网络资源之间的相关系数；t0和t1分别是当前时间片T
q
的起止时刻；t表示服务功能链，R
q
是已映射的服务功能链集合，t属于R
q
；N
e
是一组可支持NFV的节点，为网络物理节点，属于N
e
；为虚拟功能节点，N
v
(t)为服务功能链t对应的一组有序VNFs的N
v
(t)序列，属于N
v
(t)；
[0027]p
min
是物理节点的最小功耗，p
max
是物理节点的最大功耗；表示服务功能链t中的虚拟功能节点是否映射于物理节点上，取值为0或1，当映射其上时取值1，否则取值0；为虚拟功能节点原始请求的CPU资源量；为网络物理节点的CPU资源总量；
[0028]r
ratio_request
为实际需要的最大网络流量放大因子，即r
q
：
[0029][0030]为当天D
i
的当前时间片T
q
的实际最大流量；
[0031]r
ratio_max
为实际分配的最大网络流量放大因子，即op
q
；
[0032]NF_migrate(T
q
)为节点迁移频次：
[0033][0034]Y(T
q
,t)表示在时间片T
q
是否对服务功能链t进行迁移，若是则取1，否则取0；表示是否将服务功能链t中虚拟功能节点从物理节点迁移至物理节点若是则取1，否则取0。
[0035]一种网络服务功能链在线迁移系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的网络服务功能链在线迁移方法的步骤。
[0036]本专利技术的有益效果为：根据获取得到的时间片的网络流量样本数据，以及与网络流量样本数据相对应的迁移策略，对构建得到的DDQN神经网络进行训练，后续就可以根据获取到的网络流量预测数据，对对应的迁移对象进行迁移，能够对随机变化的流量自适应迁移，能够降低不可避免且不可预知的服务功能链迁移次数，提升服务功能链迁移的可靠性，同时，在一定程度上降低能耗。
附图说明
[0037]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
[0038]图1是本专利技术提供的一种网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络服务功能链在线迁移方法，其特征在于，包括以下步骤：步骤A1：获取时间片的网络流量样本数据；步骤A2：基于DDQN网络架构，构建DDQN神经网络；步骤A3：基于所述网络流量样本数据，以及与所述网络流量样本数据相对应的迁移策略，对所述DDQN神经网络进行训练；其中，所述迁移策略包括为对应时间片的网络选择的迁移对象；步骤A4：基于训练完成的所述DDQN神经网络，以及获取到的网络流量预测数据，对对应的迁移对象进行迁移。2.根据权利要求1所述的网络服务功能链在线迁移方法，其特征在于，所述迁移策略中，在某一个时间片向所述某一个时间片的下一个时间片过渡时，根据流量变化趋势确定迁移对象，其中，当流量变化趋势为减少时，对资源利用率小于预设资源利用率阈值的节点的VNF实例实施迁移，然后关闭迁移后的空闲节点；当流量变化趋势为增加时，对资源利用率大于或者等于所述预设资源利用率阈值，或者服务功能链延迟超出预设延迟阈值的VNF实例实施迁移。3.根据权利要求1所述的网络服务功能链在线迁移方法，其特征在于，所述步骤A3中，所述DDQN神经网络的输入为：节点状态信息、物理链路状态信息和SFC状态信息；所述DDQN神经网络的训练过程中，每一步的动作是在所有物理节点中，为虚拟功能节点选择最优的物理节点来映射。4.根据权利要求1所述的网络服务功能链在线迁移方法，其特征在于，所述网络流量预测数据的获取过程包括：步骤B1：获取历史网络流量数据，所述历史网络流量数据包括当天之前的某三天中与当天的当前时间片相对应的时间片的网络流量，以及当天中所述当天的当前时间片上一个时间片的网络流量；步骤B2：基于LSTM网络架构，构建LSTM神经网络；步骤B3：基于所述历史网络流量数据以及所述当天的当前时间片的网络流量，对所述LSTM神经网络进行训练；步骤B4：基于训练完成的所述LSTM神经网络，对对应时间片的网络流量进行预测。5.根据权利要求4所述的网络服务功能链在线迁移方法，其特征在于，所述当天之前的某三天分别对应当天的前一天、当天的前两天和当天的前一周。6.根据权利要求4所述的网络服务功能链在线迁移方法，其特征在于，所述步骤B4具体为：基于训练完成的所述LSTM神经网络，对对应时间片的网络流量的放大因子进行预测；所述LSTM神经网络的损失函数为：loss_function＝
△
PW_running(T
q
)
·
I(op
q
‑
r
q
)+NF_migrate(T
q
)
·
I(r
q

【专利技术属性】
技术研发人员：胡颖，王凤琴，刘炎培，韩继辉，张然，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：