一种容器化网络架构及网络功能部署方法技术

本发明专利技术提供一种容器化网络架构及网络功能部署方法，采用一种联合优化的方式同时解决网络性能问题和资源部署问题，具体而言，本发明专利技术以容器化网络中服务功能的排队网络模型构建为前提，通过引入马尔可夫决策过程来描述动态的网络资源状态转换过程，设计深度强化学习算法来智能高效地解决部署问题。将综合考虑电信网络对低时延、高吞吐、高可靠的要求以及三者之间相互竞争资源的矛盾性，合理设置分段多维奖励函数，以期获得最佳的容器化网络功能联合多目标优化部署策略，取得吞吐量和可靠性以及通信时延（端到端时延）联合最优。及通信时延（端到端时延）联合最优。及通信时延（端到端时延）联合最优。

【技术实现步骤摘要】
一种容器化网络架构及网络功能部署方法


[0001]本专利技术涉及网络功能部署领域，更具体地，涉及一种容器化网络架构及网络功能部署方法。

技术介绍

[0002]第五代移动通信技术（5G）作为最新一代的信息通信技术，可有效满足增强型移动宽带、大规模物联网和超高可靠低时延通信三大应用场景的信息传输需求。在当今的通讯网络中，数据的消耗呈指数增长，这种不可逆转的趋势是由终端用户的增加和新移动设备（智能手机、可穿戴设备、传感器等）的广泛渗透推动的。大多数物联网设备其实并不需要连续的、长时间的网络服务，导致了海量且高并发的网络服务请求，加剧网络的波动。由于传统的基于虚拟机的虚拟网络功能存在启动慢、损耗大以及不易扩展等问题，难以承担变化如此大的动态网络，所以使得虚拟网络功能在电信云中落地进展较慢。容器化虚拟网络功能受益于容器的轻量化以及容器化网络功能架构，可以快捷地部署和销毁，实现更细粒度的创建和分配，将会为万物互联时代提供高效、动态、细粒度的网络服务。
[0003]目前没有相关工作对容器化网络的网络功能实例部署的详细研究。部分研究工作考虑粗粒度的资源分配，如以处理器作为最小计算资源单位，这种部署方式可能造成大量的资源浪费。还有研究忽略了容器化网络功能之间的通信时延，只考虑计算资源带来的时间消耗，但实际上，将具有依赖关系的容器化网络功能部署在同一处理器上能极大地降低网络拥塞概率，极大地提高用户服务体验。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种容器化网络架构及网络功能部署方法。
[0005]根据本专利技术的第一方面，提供了一种容器化网络架构，包括若干个物理网络拓扑，每个物理网络拓扑被称为一层，相邻层之间通过层间节点和层间链路连接，同一层中的链路被称为层内链路，相邻两层间用来连接功能节点的链路和节点分别被称为层间链路和层间节点；多种容器化网络功能部署在物理网络拓扑层中的多核处理器上，不同容器化网络功能的组合构成具有不同功能的用户请求链，每个容器化网络功能具有多个实例，每一类用户请求对应一种用户请求链；基于深度强化学习的容器化网络功能部署策略，得到最优容器化网络功能部署方案，所述容器化网络功能部署策略包括确定在容器化网络的多核处理器上部署的容器化网络功能实例的具体数目以及各个容器化网络功能实例在多核处理器上的部署位置。
[0006]根据本专利技术的第二方面，提供一种基于容器化网络架构的网络功能部署方法，其特征在于，包括：基于深度强化学习的容器化网络功能部署策略，得到最优容器化网络功能部署方案，所述容器化网络功能部署策略包括确定在容器化网络的多核处理器上部署的容器化网
络功能实例的具体数目以及各个容器化网络功能实例在多核处理器上的部署位置。
[0007]本专利技术提供的一种容器化网络架构及网络功能部署方法，采用一种联合优化的方式同时解决网络性能问题和资源部署问题，具体而言，本专利技术以容器化网络中服务功能的排队网络模型构建为前提，通过引入马尔可夫决策过程来描述动态的网络资源状态转换过程，设计深度强化学习算法来智能高效地解决部署问题。将综合考虑电信网络对低时延、高吞吐、高可靠的要求以及三者之间相互竞争资源的矛盾性，合理设置分段多维奖励函数，以期获得最佳的容器化网络功能联合多目标优化部署策略，取得吞吐量和可靠性以及通信时延（端到端时延）联合最优。
附图说明
[0008]图1为本专利技术提供的一种容器化网络架构的结构示意图；图2为本专利技术提供的基于容器化架构的网络功能部署方法流程图；图3为容器化网络功能及其在多核处理器上的部署示意图；图4为容器化网络功能部署算法得到最优容器化网络功能部署方案的流程图。
具体实施方式
[0009]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。另外，本专利技术提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0010]图1为本专利技术提供的一种容器化网络架构，该容器化网络架构由若干个物理网络拓扑组成，每个物理网络拓扑被称为一层，相邻层之间通过层间节点和层间链路连接，同一层中的链路被称为层内链路，相邻两层间用来连接功能节点的链路和节点分别被称为层间链路和层间节点；多种容器化网络功能部署在物理网络拓扑层中的多核处理器上，不同容器化网络功能的组合构成具有不同功能的用户请求链，每个容器化网络功能具有多个实例，每一类用户请求对应一种用户请求链。
[0011]可理解的是，容器化网络功能与传统服务的区别在于，容器化网络功能将应用程序划分为多个具有特定功能的模块，模块之间相互协作共同完成用户请求。为了保证服务质量，每种容器化网络功能具有多个实例，用户请求可在多个实例中进行选择以完成自身需求。多个容器化网络功能实例按照一定的顺序组合成一个线性链，即用户请求链，一种用户请求链对应一种用户请求。用户请求到达系统后，由层间链路和处理器协同将请求根据对应用户请求链上的容器化网络功能顺序依次处理以完成用户需求。具体过程如下：当用户请求到达容器化网络的入口节点，入口节点通过查表得到请求的第一个容器化网络功能的实例部署位置，根据实例当前的状态为请求选择一个时延较低的实例，待第一个容器化网络功能完成，选择第二个容器化网络功能的实例。以此类推，当链上的每个容器化网络功
能执行完毕，最终将结果返回给用户。
[0012]本专利技术为了降低多容器化网络功能实例可能带来的部署负责问题，从将容器化网络功能节点构建为多层图下的排队网络模型出发，综合考虑计算时延与通信时延，量化分析海量请求下的排队性能指标，之后结合网络的性能指标和资源需求，通过深度强化学习进行多目标联合优化，在满足资源约束的条件下，求解最佳容器化网络功能部署方案。其中，容器化网络功能部署策略包括确定在容器化网络的多核处理器上部署的容器化网络功能实例的具体数目以及各个容器化网络功能实例在多核处理器上的部署位置。
[0013]参见图2，为本专利技术提供的一种基于容器化网络架构的网络功能部署方法，基于上述实施例提供的容器化网络架构，设计支持多种用户请求链的容器化网络功能实例部署算法，算法基于深度强化学习进行改进，将各种容器化网络功能的多个实例动态部署到网络中，本专利技术采用一种优化的方式解决容器化网络功能部署问题，具体而言，本专利技术以容器化网络功能的排队网络模型构建为前提，采用一种联合优化的方式同时解决网络性能问题和资源部署问题，通过引入马尔可夫决策过程来描述动态的网络资源状态转换过程，设计深度强化学习算法来智能高效地解决部署问题。将综合考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种容器化网络架构，其特征在于，所述容器化网络架构包括若干个物理网络拓扑，每个物理网络拓扑被称为一层，相邻层之间通过层间节点和层间链路连接，同一层中的链路被称为层内链路，相邻两层间用来连接功能节点的链路和节点分别被称为层间链路和层间节点；多种容器化网络功能部署在物理网络拓扑层中的多核处理器上，不同容器化网络功能的组合构成具有不同功能的用户请求链，每个容器化网络功能具有多个实例，每一类用户请求对应一种用户请求链；基于深度强化学习的容器化网络功能部署策略，得到最优容器化网络功能部署方案，所述容器化网络功能部署策略包括确定在容器化网络的多核处理器上部署的容器化网络功能实例的具体数目以及各个容器化网络功能实例在多核处理器上的部署位置。2.一种基于容器化网络架构的网络功能部署方法，其特征在于，包括：基于深度强化学习的容器化网络功能部署策略，得到最优容器化网络功能部署方案，所述容器化网络功能部署策略包括确定在容器化网络的多核处理器上部署的容器化网络功能实例的具体数目以及各个容器化网络功能实例在多核处理器上的部署位置。3.根据权利要求2所述的网络功能部署方法，其特征在于，所述基于深度强化学习的容器化网络功能部署策略，得到最优容器化网络功能部署方案，包括：将整个容器化网络划分为多个网络域，每个网络域包含本域中的网络节点、链路以及部署的容器化网络功能实例；根据初始容器化网络功能部署矩阵P和用户请求集合，确定各用户请求的路由路径；根据每一个网络域的网络资源状态和各容器化网络功能节点的服务强度，定义状态空间S；定义动作空间A，所述动作空间A包括多个动作a，每一个动作a表示在相应网络域内的容器化网络功能节点进行容器化网络功能的优化部署；在所述状态空间S中选择当前状态S
t
，以及从所述动作空间A中选择当前动作a
t
，更新容器化网络功能部署矩阵P和路由路径，计算当前动作a
t
的奖励R
t
，以及执行当前动作a
t
对应的下一个状态S
t+1
；根据当前状态S
t
、当前动作a
t
、奖励R
t
和下一个状态S
t+1
，基于双深度Q网络获取最优动作，所述最优动作即最优容器化网络功能部署方案。4.根据权利要求3所述的容器化网络功能部署方法，其特征在于，所述根据每一个网络域的网络资源状态和各容器化网络功能节点的服务强度，定义状态空间S，包括：用向量形式表示状态空间S：；其中，分别表示第n个网络域中带宽、缓存和多核处理器的平均可用率,表示第n个网络域中第p类容器化网络功能的平均CPU可用率, 表示第n个网络域中第p类容器化网络功能节点的平均服务强度；其中：；
；；；；其中，n=1，2，....，N表示第个网络域；表示第n个网络域中的物理链路集合；表示第n个网络域中的物理节点集合；表示第n个网络域中的容器化网络功能集合；表示第n个网...

【专利技术属性】
技术研发人员：徐博，彭凯，王良源，徐晓慧，邓天平，陆通，彭聪，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：