一种网络切片场景下服务功能链动态调整和迁移方法技术

本发明专利技术涉及一种网络切片场景下服务功能链动态调整和迁移方法，属于移动通信技术领域。该方法为：S1：在网络切片场景下，考虑由于业务请求变化导致的流量改变，进而引起SFC的迁移问题和对SFC的资源需求缺乏预测而引起的SFC迁移带来的迁移连锁反应，采用一种基于集成深度神经网络算法预测流量变化情况；S2：建立计算、内存、带宽资源约束下的SFC迁移惩罚最小化模型；S3：将流量预测结果转化为SFC未来的资源请求情况，并感知物理节点和链路资源占用情况，通过SFC的迁移，最小化最优策略；S4：得到SFC迁移的最优策略。采用本方法能够降低运营商惩罚，减少迁移连锁反应发生的概率，保证服务可靠性。务可靠性。务可靠性。

【技术实现步骤摘要】
一种网络切片场景下服务功能链动态调整和迁移方法


[0001]本专利技术属于移动通信
，涉及一种网络切片场景下服务功能链动态调整和迁移方法。

技术介绍

[0002]通过网络切片技术，目前的蜂窝网络系统被虚拟化为多个逻辑网络。借助于网络功能虚拟化(NFV)和软件定义网络(SDN)等技术，在底层基础设施中能够实现接入网、核心网等各个模块的隔离，网络服务的灵活编排和配置。目前，将NFV/SDN技术作为5G网络发展的基础技术已经得到了全球各大标准组织的普遍认可。
[0003]作为新兴网络架构，SDN将与网络硬件设备紧耦合的传统网络架构进行解耦，转化为由无线接入层，转发层和控制层组成的三层逻辑架构，并增强了可直接编程的控制方式及网络集中管控。SDN技术可以简单地实现虚拟链路的建立，无需对网络中每个节点的路由器反复进行配置，并允许管理员远程配置物理主机，以便为切片按需配置网络资源。随着5G应用的不断增长，由于物理网络资源限制，静态网络切片也具有一定局限性，因此需要根据不同业务请求实时精准的对虚拟网络进行切片，再将物理网络资源映射至网络切片中。
[0004]现有的网络切片迁移问题都是基于实时的网络信息进行SFC迁移，这会导致迁移时延过大，服务中断时间过长，影响服务质量。因此，需要对服务请求和物理资源进行预测感知，提前制定SFC迁移策略，缩短由于迁移导致的服务时延。现有相关文献大多是基于对节点资源进行分布式的预测感知，再将感知结果上传到SDN控制器对SFC重新编排，这不仅占用了每个节点的计算资源，上传感知结果也会有相应时延。此外，面对VNF迁移重映射空间的高维复杂，现有启发式算法不足以找到最优的VNF迁移方案。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种网络切片场景下服务功能链动态调整和迁移方法。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种网络切片场景下服务功能链动态调整和迁移方法，具体包括以下步骤：
[0008]S1：在网络切片场景下，考虑由于业务请求变化导致的流量改变，进而引起SFC的迁移问题和对SFC的资源需求缺乏预测而引起的SFC迁移带来的迁移连锁反应，采用一种基于集成深度神经网络算法预测流量变化情况；
[0009]S2：定义运营商与用户间的服务惩罚，并建立计算、内存、带宽资源约束下的SFC迁移惩罚最小化模型；
[0010]S3：根据S1预测结果将流量请求转化为SFC未来的资源请求情况，并感知物理节点和链路资源占用情况，通过SFC的迁移，在保证服务质量的同时实现运营商服务惩罚最小化的最优策略；
[0011]S4：考虑到SFC迁移问题的复杂性和高维性，利用一种动态切片调整和迁移(DSAM)
算法得到SFC迁移的最优策略。
[0012]进一步，所述网络切片场景包括物理层网络和虚拟层网络；所述集成深度神经网络包括RNN、LSTM、GRU、BLSTM深度神经网络预测模型；所述运营商服务惩罚包括计算资源不足、内存资源不足、带宽资源不足造成的惩罚；所述资源请求包括计算、内存以及带宽资源请求；所述SFC迁移问题是为虚拟网络功能(VNF)和虚拟链路重新映射的物理节点。
[0013]进一步，步骤S1中，所述的基于集成深度神经网络预测算法在SDN控制器处进行流量预测模型训练，根据各节点和链路上传的流量信息进行流量预测并将其转化为未来资源使用情况，其中SDN表示软件定义网络。
[0014]进一步，步骤S2中运营商服务惩罚分别为计算资源惩罚：内存资源惩罚：和带宽资源惩罚：由每种资源的惩罚因子α以及预测资源需求与实际可获得资源差值确定，其中α由运营商与用户间协议确定，和分别表示t+1时刻切片k的虚拟节点m是否映射到物理节点n上的二进制系数和t+1时刻切片k的虚拟链路i是否映射到物理链路f上的二进制系数；所述惩罚最小化为SFC可调整和迁移的路径中使运营商得到的总惩罚最小的路径。
[0015]进一步，步骤S3中，所述流量请求为t+1时刻到达的服务请求所产生的流量A(t+1)；所述资源请求由流量预测结果与对应系数确定。
[0016]进一步，步骤S4中，所述动态切片调整和迁移(DSAM)策略为一种基于资源感知的切片调整和迁移，其具体步骤如下：
[0017]S41：初始化SFC，计算所有源节点和目的节点间VNF组成的路径。
[0018]S42：预测时刻第个SFC的流量请求，若请求增加，则计算其所需资源量
[0019]S43：用预测资源需求更新实际可分配资源
[0020]S44：若资源满足物理网络资源约束条件，则输出SFC映射链路，若不满足约束条件，则进行下一步；
[0021]S45：计算所有路径剩余可用资源并按降序排列，将目标SFC迁移到最大剩余可用资源的路径上，若迁移路径满足约束条件，则输出SFC映射链路，若不满足约束，则进行下一步；
[0022]S46：计算S45步骤迁移路径上的惩罚，并降级切片，得到最小运营商惩罚；
[0023]S47：重复以上步骤，直到所有SFC找到最小惩罚路径。
[0024]本专利技术的有益效果在于：直接在SDN控制器处对业务请求所需流量进行预测，再将预测结果转化为资源需求，然后对SFC重新编排制定调整和迁移策略，减轻现有分布式预测方式的训练负担提高预测效率，在满足底层物理网络计算、内存、带宽资源约束条件下实现资源的合理利用，降低服务时延。
[0025]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0026]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0027]图1为SFC部署及无线接入网场景图；
[0028]图2为基于集成深度神经网络的流量预测框架图；
[0029]图3为基于流量预测和无预测的SFC调整和迁移策略对比图；
[0030]图4为基于环境感知的服务功能链(SFC)动态调整和迁移流程图。
具体实施方式
[0031]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0032]其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络切片场景下服务功能链动态调整和迁移方法，其特征在于：该方法包括以下步骤：S1：在网络切片场景下，考虑由于业务请求变化导致的流量改变，进而引起SFC的迁移问题和对SFC的资源需求缺乏预测而引起的SFC迁移带来的迁移连锁反应，采用一种基于集成深度神经网络算法预测流量变化情况；S2：定义运营商与用户间的服务惩罚，并建立计算、内存、带宽资源约束下的SFC迁移惩罚最小化模型；S3：根据S1预测结果将流量请求转化为SFC未来的资源请求情况，并感知物理节点和链路资源占用情况，通过SFC的迁移，在保证服务质量的同时实现运营商服务惩罚最小化的最优策略；S4：考虑到SFC迁移问题的复杂性和高维性，利用一种动态切片调整和迁移DSAM算法得到SFC迁移的最优策略。2.根据权利要求1所述的一种网络切片场景下服务功能链动态调整和迁移方法，其特征在于：所述网络切片场景包括物理层网络和虚拟层网络；所述集成深度神经网络包括RNN、LSTM、GRU、BLSTM深度神经网络预测模型；所述运营商服务惩罚包括计算资源不足、内存资源不足、带宽资源不足造成的惩罚；所述资源请求包括计算、内存以及带宽资源请求；所述SFC迁移问题是为虚拟网络功能VNF和虚拟链路重新映射的物理节点。3.根据权利要求1所述的一种网络切片场景下服务功能链动态调整和迁移方法，其特征在于：所述S1中，基于集成深度神经网络预测算法在SDN控制器处进行流量预测模型训练，根据各节点和链路上传的流量信息进行流量预测并将其转化为未来资源使用情况，其中SDN表示软件...

【专利技术属性】
技术研发人员：唐伦，周鑫隆，吴婷，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：