一种基于VNF资源需求预测的SFC智能部署方法及系统技术方案

本发明专利技术公开了一种基于VNF资源需求预测的SFC智能部署方法及系统包括，构建基于VNF实例共享的SFC部署模型，减少了实例的频繁创建和撤销，在保证用户请求的QoS要求下，联合优化系统运行成本和端到端时延，并将其转化为马尔科夫决策过程模型；利用深度强化学习DuelingDQN进行该部署模型的求解；得到最优的动态虚拟网络功能链部署策略；本发明专利技术构建了一套完整的服务功能链部署方法，针对移动核心网架构下提出了一种基于VNF资源需求预测的SFC智能部署算法，建立了最小化系统通信成本的优化问题；使用深度强化学习领域中的深度强化学习DuelingDQN解决最小化系统部署成本问题，以时延约束前提下选择最优的SFC部署策略。延约束前提下选择最优的SFC部署策略。延约束前提下选择最优的SFC部署策略。

【技术实现步骤摘要】
一种基于VNF资源需求预测的SFC智能部署方法及系统


[0001]本专利技术涉及移动通信的深度学习
，尤其涉及一种基于VNF资源需求预测的SFC智能部署方法及系统。

技术介绍

[0002]近年来，随着信息技术和网络技术发展，各种移动用户设备数量呈现爆炸式的增加，用户的业务需求也更加多元化，这也推动了网络虚拟化技术的发展。网络功能虚拟化(Network Function Virtualization，NFV)作为能够灵活高效的部署和管理各种网络功能的技术，可以将网络功能以软件的形式运行在通用服务器上，使得软硬件解耦，使得网络资源分配更加灵活，让网络实时业务、应用智能的快速响应，提高服务质量。
[0003]服务功能链部署问题关注如何在有限的物理资源上，选择物理服务器节点进行虚拟网络功能的部署，并为服务功能链选择最优路径实现部署成本最小化，同时满足用户网络服务请求需求。因此，在当前的5G场景中，研究人员正在关注如何以合理有效的方式部署SFC，以满足用户的服务需求，并同时尽可能地最大化服务提供商的收益。这成为一个重要的研究热点。SFC中的VNFs需要特定的物理资源(例如CPU、内存等)来保证用户所需的QoS。NFV基础设施包括物理节点和链路，NFV编排管理负责收集管理每个物理节点的VNF信息(例如VNF资源需求，服务链的后继VNF等)，并根据当前的网络状态和部署策略提供高效的VNF部署和嵌入方案。在NFV环境中对服务功能链部署与性能优化实质上就是在NFV基础设施中找到一个合适的位置部署VNF实例，并满足用户服务请求的性能指标，例如最小化端到端时延、最大化资源利用率等。
[0004]目前服务功能链的部署问题通过对现有SFC部署相关工作的调研和分析，发现主要有以下两个问题：在服务功能链部署时，虚拟网络功能实例使用固定资源实例化，造成资源分配不均。在部署SFC时，未充分利用已有VNF实例，且没有对VNF实例部署成本和链路带宽消耗成本联合优化，造成资源浪费，导致系统性能下降。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种基于VNF资源需求预测的SFC智能部署方法，用来解决实际问题中，虚拟网络功能实例使用固定资源实例化造成资源分配不均和未充分利用VNF实例且没有对VNF实例部署成本和链路带宽消耗成本联合优化，造成资源浪费，导致系统性能下降的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术提供了一种基于VNF资源需求预测的SFC智能部署方法，包括：
[0009]对当前网络负载特征、VNF性能特征、网络流量和节点资源特征进行分析，建立当
前到达的SFC各节点所需的资源预测模型，并返回满足条件的VNFs节点集合；
[0010]建立SFC映射模型，将所述模型中的SFC映射过程分为三层结构并对抽象参数进行表示，建立SFC部署成本模型；
[0011]通过所述预测模型返回的节点集合建立深度学习模型，确定系统的状态空间集合、动作空间集合和奖励函数并分别进行初始化；
[0012]将最小化SFC部署成本作为目标函数，以时延为约束，构建深度强化学习Dueling DQN算法获得最优的SFC部署策略。
[0013]作为本专利技术所述的基于VNF资源需求预测的SFC智能部署方法的一种优选方案，对当前网络负载特征、VNF性能特征、网络流量和节点资源特征进行分析，建立当前到达的SFC各节点所需的资源预测模型，并返回满足条件的VNFs节点集合，包括：
[0014]通过使用ECANet网络层获取VNF嵌入特征的权重，同时优化网络负载特征与VNF性能特征之间的特征交互关系，并输出预测结果；根据所述预测结果得到满足条件的VNFs节点集合；
[0015]其中，VNFs节点集合表示为V＝{v1，v2，v3，....，v
n
}。
[0016]作为本专利技术所述的基于VNF资源需求预测的SFC智能部署方法的一种优选方案，其中：将所述模型中的SFC映射过程分为三层结构并对抽象参数进行表示，包括：
[0017]底层物理网络，服务功能链映射，时延，部署成本和目标函数。
[0018]作为本专利技术所述的基于VNF资源需求预测的SFC智能部署方法的一种优选方案，确定系统的状态空间集合、动作空间集合和奖励函数并分别进行初始化，包括：
[0019]将SFC的部署问题转化为MDP模型，并用一个四元组MDP＝<S，A，P，R>表示；
[0020]其中，S代表状态，A代表动作空间，P代表状态转移概率，R代表奖励函数。
[0021]作为本专利技术所述的基于VNF资源需求预测的SFC智能部署方法的一种优选方案，其中：确定系统的状态空间集合、动作空间集合和奖励函数并分别进行初始化还包括：
[0022]状态空间S
t
状态空间是智能体在环境中获取的信息集合，表示为：
[0023]S
t
＝{c
m
(t)，b
mn
(t)，vnf
i
(t)}
[0024]其中，状态空间定义为物理节点的可用计算资源c
m
(t)，各物理可用带宽资源b
mn
(t)，路径长度约束下复用VNF实例数量vnfi(t)；
[0025]智能体在物理网络中采取的动作集合被称为动作空间A；动作空间是离散的，表示如下：
[0026]A＝{0，1，2，3，...，|N|}
[0027]其中，N表示为每个物理网络节点分配的唯一的序号且为整数；
[0028]奖励函数R(t)表示对智能体选择的动作的好坏程度，表示为：
[0029]R(t)＝
‑
[Obj(t)][0030]其中，Obj(t)表示为优化目标。
[0031]作为本专利技术所述的基于VNF资源需求预测的SFC智能部署方法的一种优选方案，其中：构建深度强化学习Dueling DQN算法获得最优的SFC部署策略，包括：
[0032]把状态与动作对Q值的影响进行解耦，并将Dueling DQN网络结构分为价值函数部分和优势函数部分；
[0033]价值函数部分仅与状态s有关，与将要采取的动作a无关，表示为V(s，θ，α)；优势函
数部分与动作s和状态a都有关系，表示为
[0034]Q值表示为：
[0035][0036]其中，θ表示神经网络中公共的参数，α表示价值函数部分特有的网络参数，μ表示优势函数部分特有的参数。
[0037]作为本专利技术所述的基于VNF资源需求预测的S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VNF资源需求预测的SFC智能部署方法，其特征在于，包括：对当前网络负载特征、VNF性能特征、网络流量和节点资源特征进行分析，建立当前到达的SFC各节点所需的资源预测模型，并返回满足条件的VNFs节点集合；建立SFC映射模型，将所述模型中的SFC映射过程分为三层结构并对抽象参数进行表示，建立SFC部署成本模型；通过所述预测模型返回的节点集合建立深度学习模型，确定系统的状态空间集合、动作空间集合和奖励函数并分别进行初始化；将最小化SFC部署成本作为目标函数，以时延为约束，构建深度强化学习DuelingDQN算法获得最优的SFC部署策略。2.如权利要求1所述的基于VNF资源需求预测的SFC智能部署方法，其特征在于，对当前网络负载特征、VNF性能特征、网络流量和节点资源特征进行分析，建立当前到达的SFC各节点所需的资源预测模型，并返回满足条件的VNFs节点集合，包括：通过使用ECANet网络层获取VNF嵌入特征的权重，同时优化网络负载特征与VNF性能特征之间的特征交互关系，并输出预测结果；根据所述预测结果得到满足条件的VNFs节点集合；其中，VNFs节点集合表示为V＝{v1,v2,v3,....,v
n
}。3.如权利要求2所述的基于VNF资源需求预测的SFC智能部署方法，其特征在于，将所述模型中的SFC映射过程分为三层结构并对抽象参数进行表示，包括：底层物理网络，服务功能链映射，时延，部署成本和目标函数。4.如权利要求3所述的基于VNF资源需求预测的SFC智能部署方法，其特征在于，确定系统的状态空间集合、动作空间集合和奖励函数并分别进行初始化，包括：将SFC的部署问题转化为MDP模型，并用一个四元组MDP＝＜S,A,P,R>表示；其中，S代表状态，A代表动作空间，P代表状态转移概率，R代表奖励函数。5.如权利要求4所述的基于VNF资源需求预测的SFC智能部署方法，其特征在于，还包括：状态空间S
t
状态空间是智能体在环境中获取的信息集合，表示为：S
t
＝{c
m
(t),b
mn
(t),vnf
i
(t)}其中，状态空间定义为物理节点的可用计算资源c
m
(t)，各物理可用带宽资源b
mn
(t)，路径长度约束下复用VNF实例数量vnf
i
(t)；智能体在物理网络中采取的动作集合被称为动作空间A；动作空间是离散的，表示如下：A＝{0,1,2,3,...,|N|}其中，N表示为每个物理网络节点分配的唯一的序号且为整数；奖励函数R(t)表示对智能体选择...

【专利技术属性】
技术研发人员：王海艳，王怀芹，骆健，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：