【技术实现步骤摘要】
本专利技术属于计算机通信，尤其涉及一种nf场景下基于gnn的vnf资源预测方法及装置。
技术介绍
1、从第一代网络到现在的5g时代，人们的生活离不开日益发展的网络通信。电信运营商拥有最复杂的运营和业务支持系统(oss/bss)，需要通过人工加班提供大量专用基础设施资源来满足需求和供应。这些专用基础设施资源不仅受到维护和运营开销的困扰，而且灵活性也相当有限。互联网上支持的垂直领域即将到来，垂直领域的应用程序体系结构具有一系列极端要求，包括超低延迟和高可靠性。在当前对现有系统的修改中，网络功能虚拟化(nfv)已成为启动5g及未来网络和通信的革命性范例。通过解耦网络功能(nf)和专用网络设备(na)，nfv允许nfs独立于硬件发展，从而导致资本和运营支出(capex/opex)减少。
2、服务器放置、功能放置和在nfv中查看动态资源分配及资源管理是三个关键问题领域，尽管前两个已被广泛研究，但nfv的动态资源分配及资源管理仍然存在挑战。将资源分配给nfv应用程序的服务功能链(sfc)中的虚拟网络功能(vnf)和vnf组件(vnfc)，效率和可靠性是权衡资源分配及资源管理的关键点。近年虽然出现了大量关于虚拟服务功能链部署问题的研究，但大多关于虚拟sfc的部署问题提出的解决方案并没有考虑网络服务提供的服务功能(nf)之间存在级联效应，也就是说改变服务功能链的一个或多个节点往往会影响服务功能链的其它网络节点。在目前新型互联网应用需要快速创建销毁或移动虚拟服务功能或弹性网络服务的背景下，上述的影响尤其突出。解决服务功能链端到端服务提
3、现有技术关于vnf资源分配问题一般采用机器学习和深度学习的方法进行预测，尽管传统的机器学习在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧氏空间生成的，传统的机器学习方法在处理非欧氏空间数据上的表现仍难以使人满意。传统的机器学习方法处理的数据往往是结构化的数据，非结构化的数据很难处理，处理它的难点包括：图的大小是任意的，图的拓扑结构很复杂，没有图像一样的空间局部性；图没有固定节点顺序，或者说没有一个参考点；此外现有的机器学习算法的一个核心是数据样本之间彼此独立，然而对于图来说，每个节点都会与其他节点相关，这些信息可用于捕获实例之间的相互依赖关系。因此，研究可变粒度nf场景的vnf资源分配问题需要找到一种合适的方法来处理输入的数据。在本专利技术中采用了图神经网络(gnn)的方法有效地处理可变粒度nf场景的vnf资源分配。
技术实现思路
1、本专利技术的目的是针对现有技术不足，提供一种nf场景下基于gnn的vnf资源预测方法及装置。
2、本专利技术解决其技术问题所采用的技术方案包括如下步骤：
3、一种nf场景下基于gnn的vnf资源预测方法，包括如下步骤：
4、数据准备，构建nfv环境中nf可变粒度场景，部署编排管控过程中增加认知功能并提出差异化nfv资源认知服务体系，完成对不同粒度的μnfs资源的抽象与形式化描述，构建图；
5、构建所述图之后开始构建gnn模型；
6、构建所述gnn模型之后开始进行编码网络；
7、编码网络之后开始设计并实现nfv环境下动态资源预测的系统架构。
8、进一步的，具体包括：将服务链的粒度确定和部署问题构建为一个整数线性规划问题，具体的优化目标在满足整体服务链的最小时延约束的情况下充分利用节点资源；考虑各个节点的带宽资源、计算资源、节点间通信代价、细粒度网络功能的带宽需求及最大可接受时延，将中粒度网络功能的构造问题建模为二进制整数规划模型。
9、进一步的，所述构建gnn模型包括三个模块，包括两个驱动及sfc环境，展示了gnn工作流和扩散机制的表示形式，用于交换邻域中所有节点内的状态和特征，直到达到平衡，描述了gnn建模的工作流程，并指示参数如何在扩散机制中互连。
10、进一步的，所述gnn模型由两个参数函数hw(转移函数)和gw(输出函数)驱动，分别表示每个节点的状态对其邻域状态的依赖性以及节点输出对其状态的依赖性；所述sfc环境包括了sfc特征、链路特征以及vnfc的状态。
11、进一步的，还包括：通过所述两个参数函数hw和gw对sfc中的每个vnfc进行建模，每个参数函数由前馈神经网络(fnn)实现，以确保hw保持收缩；输入vnfc图的每个节点被用于该节点的计算单元hw替换，当展开时，编码网络中的每个层对应每个节点计算状态的迭代(vnfc)；每个hw单元存储该节点的当前状态，并且当被激活时，计算其对应于下一个时间步长的下一个状态；节点的输出由另一个实现gw的单元产生。
12、进一步的，在所述nfv环境下动态资源预测的系统架构中vim仿真器模仿nfv基础设施(nfvi)和虚拟化基础设施管理器(vim)，所述vim仿真器提供灵活的python api端点来控制和扩展所有组件的功能；提供的接口类似于openstack1提供的控件，并允许启动，停止和管理vnf；从管理和编排(mano)系统的角度来看，所述vim仿真器设置转化为真实世界的多vim部署；在预测模块中，开发的gnn编码网络充当深度强化学习代理的环境；多个代理线程在同一台机器上并行执行，每个线程都有自己的环境视图；代理分布在gnn编码网络中的节点上，异步地观察并反馈vnfc节点的状态，调整编码网络的权重，并增强学习的策略以优化预测输出；每个代理具有不同的勘探策略，增加勘探的多样性并进一步提高性能；为了避免多个代理覆盖彼此的更新，在应用网络权重梯度之前在多个时间步长上积累网络权重梯度，对编码网络中输出准确性的奖励，即预测的正确缩放决策有助于将策略驱动到最佳学习阶段；预测的输出被发送到vim仿真器的mano层中的vim，提前对实际基础设施采取缩放动作，并且根据需求优化所供应的资源。
13、一种nf场景下基于gnn的vnf资源预测装置，包括：
14、构建图像模块：数据准备，构建nfv环境中nf可变粒度场景，部署编排管控过程中增加认知功能并提出差异化nfv资源认知服务体系，完成对不同粒度的μnfs资源的抽象与形式化描述，构建图；
15、构建gnn模块：用于构建所述图之后开始构建包含两个驱动以及sfc环境的gnn模型；
16、编码网络模块：用于构建gnn模型之后开始进行编码网络；
17、系统架构模块：用于编码网络之后开始设计并实现nfv环境下动态资源预测的系统架构。
18、进一步的，从高层次讲，所述系统架构模块包括智能动态资源预测模块和已部署的nfv应用sfc的仿真平台。
19、进一步的，所述构建gnn模块包括三个模块，包括两个驱动本文档来自技高网...
【技术保护点】
1.一种NF场景下基于GNN的VNF资源预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种NF场景下基于GNN的VNF资源预测方法，其特征在于，具体包括：将服务链的粒度确定和部署问题构建为一个整数线性规划问题，具体的优化目标在满足整体服务链的最小时延约束的情况下充分利用节点资源；考虑各个节点的带宽资源、计算资源、节点间通信代价、细粒度网络功能的带宽需求及最大可接受时延，将中粒度网络功能的构造问题建模为二进制整数规划模型。
3.如权利要求1所述的一种NF场景下基于GNN的VNF资源预测方法，其特征在于，所述构建GNN模型包括三个模块，包括两个驱动及SFC环境，展示了GNN工作流和扩散机制的表示形式，用于交换邻域中所有节点内的状态和特征，直到达到平衡，描述了GNN建模的工作流程，并指示参数如何在扩散机制中互连。
4.如权利要求3所述的一种NF场景下基于GNN的VNF资源预测方法，其特征在于，所述GNN模型由两个参数函数hw(转移函数)和gw(输出函数)驱动，分别表示每个节点的状态对其邻域状态的依赖性以及节点输出对其状态的依赖性；所述S
5.如权利要求4所述的一种NF场景下基于GNN的VNF资源预测方法，其特征在于，还包括：通过所述两个参数函数hw和gw对SFC中的每个VNFC进行建模，每个参数函数由前馈神经网络(FNN)实现，以确保hw保持收缩；输入VNFC图的每个节点被用于该节点的计算单元hw替换，当展开时，编码网络中的每个层对应每个节点计算状态的迭代(VNFC)；每个hw单元存储该节点的当前状态，并且当被激活时，计算其对应于下一个时间步长的下一个状态；节点的输出由另一个实现gw的单元产生。
6.如权利要求1所述的一种NF场景下基于GNN的VNF资源预测方法，其特征在于，在所述NFV环境下动态资源预测的系统架构中VIM仿真器模仿NFV基础设施(NFVI)和虚拟化基础设施管理器(VIM)，所述VIM仿真器提供灵活的Python API端点来控制和扩展所有组件的功能；提供的接口类似于OpenStack1提供的控件，并允许启动，停止和管理VNF；从管理和编排(MANO)系统的角度来看，所述VIM仿真器设置转化为真实世界的多VIM部署；在预测模块中，开发的GNN编码网络充当深度强化学习代理的环境；多个代理线程在同一台机器上并行执行，每个线程都有自己的环境视图；代理分布在GNN编码网络中的节点上，异步地观察并反馈VNFC节点的状态，调整编码网络的权重，并增强学习的策略以优化预测输出；每个代理具有不同的勘探策略，增加勘探的多样性并进一步提高性能；为了避免多个代理覆盖彼此的更新，在应用网络权重梯度之前在多个时间步长上积累网络权重梯度，对编码网络中输出准确性的奖励，即预测的正确缩放决策有助于将策略驱动到最佳学习阶段；预测的输出被发送到VIM仿真器的MANO层中的VIM，提前对实际基础设施采取缩放动作，并且根据需求优化所供应的资源。
7.一种NF场景下基于GNN的VNF资源预测装置，其特征在于，包括：
8.根据权利要求7所述的一种NF场景下基于GNN的VNF资源预测装置，其特征在于，从高层次讲，所述系统架构模块包括智能动态资源预测模块和已部署的NFV应用SFC的仿真平台。
9.如权利要求7所述的一种NF场景下基于GNN的VNF资源预测装置，其特征在于，所述构建GNN模块包括三个模块，包括两个驱动以及SFC环境，GNN由两个参数函数hw(转移函数)和gw(输出函数)驱动，所述SFC环境包括：SFC特征、链路特征以及VNFC的状态。
...【技术特征摘要】
1.一种nf场景下基于gnn的vnf资源预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种nf场景下基于gnn的vnf资源预测方法，其特征在于，具体包括：将服务链的粒度确定和部署问题构建为一个整数线性规划问题，具体的优化目标在满足整体服务链的最小时延约束的情况下充分利用节点资源；考虑各个节点的带宽资源、计算资源、节点间通信代价、细粒度网络功能的带宽需求及最大可接受时延，将中粒度网络功能的构造问题建模为二进制整数规划模型。
3.如权利要求1所述的一种nf场景下基于gnn的vnf资源预测方法，其特征在于，所述构建gnn模型包括三个模块，包括两个驱动及sfc环境，展示了gnn工作流和扩散机制的表示形式，用于交换邻域中所有节点内的状态和特征，直到达到平衡，描述了gnn建模的工作流程，并指示参数如何在扩散机制中互连。
4.如权利要求3所述的一种nf场景下基于gnn的vnf资源预测方法，其特征在于，所述gnn模型由两个参数函数hw(转移函数)和gw(输出函数)驱动，分别表示每个节点的状态对其邻域状态的依赖性以及节点输出对其状态的依赖性；所述sfc环境包括了sfc特征、链路特征以及vnfc的状态。
5.如权利要求4所述的一种nf场景下基于gnn的vnf资源预测方法，其特征在于，还包括：通过所述两个参数函数hw和gw对sfc中的每个vnfc进行建模，每个参数函数由前馈神经网络(fnn)实现，以确保hw保持收缩；输入vnfc图的每个节点被用于该节点的计算单元hw替换，当展开时，编码网络中的每个层对应每个节点计算状态的迭代(vnfc)；每个hw单元存储该节点的当前状态，并且当被激活时，计算其对应于下一个时间步长的下一个状态；节点的输出由另一个实现gw的单元产生。
6.如权利要求1所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。