基于资源预测的服务功能链多阶段节能迁移方法技术

本发明专利技术提供了基于资源预测的服务功能链多阶段节能迁移方法，解决

【技术实现步骤摘要】
基于资源预测的服务功能链多阶段节能迁移方法


[0001]本专利技术是提供一种基于资源预测的服务功能链多阶段节能迁移方法，可以在保证服务水平协议的情况下最小化网络长期能源消耗
。

技术介绍

[0002]随着新型网络技术和多样化的网络用户需求的出现，网络营运商的业务模型正经历一场革命性的变革
。
网络功能虚拟化
(Network Functions Virtualization
，
NFV)
成为这场变革中很有前景的网络技术之一
。
网络的效率密切依赖于
VNF
的映射以及
SFC
的路由
。
在网络切片运行过程中，各个业务的流量会随着时间的变化而波动，这可能导致
SFC
资源需求与资源可用性的不匹配，从而影响业务性能和资源利用率
。
当一种
VNF
的放置和资源分配方案无法满足当前网络需求时，网络功能虚拟化编排器
(NFV Orchestrator
，
NFVO)
可以重新配置
SFC
的编排方案，具体方法包括水平扩展
、
垂直扩展和动态迁移
。
水平扩展是通过安装或移除
VNF
实例实现，而垂直扩展是向
VNF
实例分配或释放和主机资源和带宽资源
。
垂直扩展可以充分利用资源碎片，分配资源更加灵活，只在底层服务器中剩余资源和链路带宽资源充足时可行
。
当服务器资源不足时，可以采用服务功能动态迁移的方法，这为网络运营商提供了很大的灵活性
。
[0003]对于
NFV
提供商来说，在不违反服务水平协议
(Service Level Agreement
，
SLA)
的前提下降低能源消耗是降低运营成本和资本费用的关键
。
其次，为响应“开创绿色节能新时代”的号召，构建绿色节能的虚拟化网络显得更为重要
。
在
NFV
网络环境下存在这样的现实问题：随着
SFC
请求的动态地到达和离开，服务器会不断开启，这使得网络中存在大量利用率低的服务器，而处于空闲状态的服务器则持续消耗其峰值消耗能量的
70
％，这造成了大量的能源浪费；其次，由于网络流量在时刻波动，
VNF
对服务器资源的需求也随之改变，服务器随时可能会出现资源过载或低负载的情况，过载可能会导致整体性能下降和违反
SLA
，而低负载可能进一步加剧严重的能源浪费
。
[0004]如何找到一种针对时变的数据通信速率的
VNF
动态迁移策略，在保证
SLA
的情况下，以最小的迁移成本获得最优的网络能耗，是一个非常重要的问题，而
VNF
合并与拆分是该问题的实际解决方案
。
采用怎样的迁移策略
、
在什么时机执行迁移都将直接影响到网络长期能耗
。
首先，迁移策略的选取需要针对网络全局，联合考虑迁移的成本，涉及多条
SFC
的联合迁移策略
。
其次，传统的迁移算法一般采取定期执行的迁移，无法前瞻地确定迁移时机，这导致不必要的迁移引起的迁移开销
。
因此有必要确定合并应该在什么时候执行才能够对网络全局带来更好的节能效果，而这是由网络资源需求变化而驱动的
。
[0005]为解决上述由于迁移滞后性引起的问题，本专利技术考虑通过有效的资源需求预测算法提前掌握每个虚拟网络功能的资源需求，分析不同
SFC
资源需求随时间变化的特性，从而可以预先判断节点资源状态是否低负载或过载，据此确定合适的迁移时机并提出迁移策略
。

技术实现思路

[0006]本专利技术是提供一种基于资源预测的服务功能链多阶段节能迁移方法，在保证
SLA
的前提下降低网络能耗，同时考虑由时变的资源需求导致的服务器过载和低载情况，通过资源预测算法确定
VNF
合并时机和拆分时机，对
VNF
执行非周期性迁移，降低网络长期能源消耗
。
[0007]为了为实现上述专利技术的目的，本专利技术提供一种基于资源预测的服务功能链多阶段节能迁移方法，包括以下步骤：
[0008]步骤1：在线部署阶段，对
SFC
采用粒子群优化的部署算法进行部署；
[0009]步骤2：在增量学习资源预测阶段，采用基于注意力机制的上下文嵌入序列到序列模型对虚拟网络功能
VNF
进行资源预测
。
首先通过
VNF
资源实时监视器采集服务功能链
SFC
资源使用情况，收集包括
VNF
的核心特征
(VNF
类型
、
优先级
)、
派生特征
(CPU、
内存
、
磁盘需求
)
等历史信息，通过特征嵌入输入到模型中进行离线训练，得到预训练模型参数
。
之后通过增量学习，对训练样本进行小批次在线更新，消除初始离线训练的模型的性能会随着时间推移而下降的问题，模型参数进行微调更新；
[0010]步骤3：在动态迁移阶段，使用预测模型输出的预测结果作为基于短周期资源预测的虚拟网络功能动态迁移算法的输入之一，并输出
VNF
合并时机
、
拆分时机以及迁移策略
。
与此同时，物理资源伸缩控制器会对资源进行垂直扩展或资源回收
。
当迁移执行完毕，网络状态更新，资源实时监视器也同时更新采集的资源数据样本
。
[0011]进一步的，步骤1中基于粒子群优化的
SFC
部署方法是指：
[0012]这里的粒子群优化算法主要包括粒子个体编码
、
粒子更新
、
适应值函数
。
[0013](1)
个体编码：粒子表示网络中所有
SFC
部署到网络中的一种映射策略，编码为
[0014]p
i
＝
[
ω1,
ω2,
…
,
ω
m
][0015]其中，
p
i
表示粒子群中第
i
个粒子，
ω
m
表示第
m
条
SFC
的一种映射方法
。
粒子的个体编码不仅包括当前迭代，还包括历史个体最优
。
[0016](2)
粒子更新：参考轮盘赌选择法，这里对粒子速度和位置更新公式赋予新的含义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于资源预测的服务功能链多阶段节能迁移方法其特征在于，所述方法包括：步骤1：在线部署阶段，对
SFC
采用粒子群优化的部署算法进行部署；步骤2：在增量学习资源预测阶段，采用基于注意力机制的上下文嵌入序列到序列模型对虚拟网络功能
VNF
进行资源预测，首先通过
VNF
资源实时监视器采集服务功能链
SFC
资源使用情况，收集包括
VNF
的核心特征
(VNF
类型
、
优先级
)、
派生特征
(CPU、
内存
、
磁盘需求
)
等历史信息，通过特征嵌入输入到模型中进行离线训练，得到预训练模型参数；之后通过增量学习，对训练样本进行小批次在线更新，消除初始离线训练的模型的性能会随着时间推移而下降的问题，模型参数进行微调更新；步骤3：在动态迁移阶段，使用预测模型输出的预测结果作为基于短周期资源预测的虚拟网络功能动态迁移算法的输入之一，并输出
VNF
合并时机
、
拆分时机以及迁移策略；与此同时，物理资源伸缩控制器会对资源进行垂直扩展或资源回收；当迁移执行完毕，网络状态更新，资源实时监视器也同时更新采集的资源数据样本
。2.
根据权利要求1所述的基于资源预测的服务功能链多阶段节能迁移方法，其特征在于：步骤1中，所述基于粒子群优化的
SFC
部署算法针对节点资源以碎片化的场景，对动态到达的
SFC
输出虚拟网络功能和虚拟路径映射策略，保证服务接受率
。3.
根据权利要求1所述的基于资源预测的服务功能链多阶段节能迁移方法，其特征在于：步骤2中，所述基于注意力机制的上下文嵌入序列到序列模型是一种深度神经网络，采用单个模型同时预测多个
VNF
的资源需求，模型包括以下几层结构：特征嵌入层：特征是基于
SFC
数据，这些数据由同一链中每个
VNF
之间的信息组成，资源信息包括
VNF
当前
CPU
资源需求
、
内存需求等，上下文信息包括
VNF
历史资源需求数据
、
资源变化量以及
SFC
相关信息
...

【专利技术属性】
技术研发人员：冉静，刘炎杨，胡鹤飞，唐碧华，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：