基于深度强化学习的服务功能链可靠部署算法

针对当前关于服务功能链(SFC)的部署问题都未考虑到虚拟网络功能(VNF)的失效重要度,该文提出了基于深度强化学习的SFC可靠部署算法。首先建立VNF和虚拟链路可靠映射模型,为重要的VNF设置高可靠性需求,并通过链路部署长度限制尽可能保证虚拟链路可靠性需求。其次,以负载均衡为资源协调原则,与VNF可靠性联合优化,最终使用深度强化学习得到服务功能链部署策略。另外,提出了基于重要度的节点备份和链路备份策略,用于应对部署过程中VNF/链路可靠性难以满足的情况。仿真结果表明,该文的可靠部署算法在保证可靠性需求的基础上能够有效减少SFC失效损失,同时使虚拟网络更加稳定可靠。     

基于可靠性的5G网络切片在线映射算法

为了满足业务多样性对5G网络切片带来差异化需求的同时保证切片的可靠性,实现网络资源的优化配置。该文针对5G网络切片的动态映射、轻量级可靠映射问题,提出对计算资源、链路资源和RRU频谱资源联合分配方案。首先,该方案建立面向可靠性约束的多目标资源分配模型,引入李雅普诺夫优化模型,在保证队列稳定同时优化资源分配。其次,提出了基于队列稳定性的虚拟节点映射算法和基于可靠性的虚拟链路映射算法。最后,将时间离散为一系列连续的时间窗,利用时间窗动态处理到达的网络切片请求,实现在线的网络切片映射算法。仿真结果表明,该算法提高了资源利用率,并且保证网络可靠性。     

一种基于匹配博弈的服务链协同映射方法

针对软件定义网络(SDN)/网络功能虚拟化(NFV)环境下服务链映射难以兼顾效率与物理资源利用率的问题,该文提出一种基于匹配博弈的服务链协同映射方法。首先,以最大化网络资源效用为目标,建立服务链映射模型MUSCM;然后,分虚拟网络功能(VNF)部署和组链两个部分解决服务链映射问题,VNF部署部分,设计基于多对一匹配博弈理论的算法协同服务链和服务节点双方互相进行选择,有效提升了服务链的映射效率和物理资源的利用率,在此基础上,设计基于分段路由策略的算法实现各VNF实例间的流量牵引以完成VNF组链,有效降低了链路传输时延。实验结果表明,与经典算法相比,该算法在保证映射请求接受率的同时,有效降低了服务链的平均传输延时,提升了系统的物理资源利用率。     

特征关联的服务功能链可靠性优化算法

针对优化服务功能链(Service Function Chain,SFC)可靠性时资源利用率低的问题,提出了特征关联的服务功能链可靠性优化算法。首先,从底层节点的资源可用率、周边资源密集度、全网中心性评价其作为虚拟网络功能（Virtual Network Function,VNF）实例备选节点的优势,从VNF实例的节点度数与带宽流量评价其作为备选对象的优势。其次,逐个对优越性最高的VNF实例选择备份底层节点,直到所有SFC的可靠性满足客户要求。在为VNF实例选择备份底层节点时,提出了基于资源特征关联感知的备份节点选择算法,将当前VNF实例所映射的底层节点与其他待备份VNF实例的底层节点的邻接节点进行关联,为当前VNF实例选择最优备份底层节点的同时,减少为其他待备份VNF实例选择备份底层节点时链路的开销。仿真结果表明,相比于已有算法,该SFC可靠性优化算法下备份实例数降低了约29%,备份带宽资源消耗降低了约42%,SFC接受率提升了约12%。     

基于5G接入网络的多优先级虚拟网络功能迁移开销与网络能耗联合优化算法

针对5G接入网络中虚拟网络功能(VNF)部署完成后,其资源需求发生动态变化,导致网络中物理机(PM)资源利用率过高或过低这一问题,该文首先将网络中PM的资源使用情况划分5个不同分区,提出一种多优先级VNF迁移请求队列调度模型。其次基于该模型,对VNF迁移开销的最小化及网络能耗的最小化建立联合优化模型。最后提出一种基于5G接入网络的多优先级VNF迁移开销与网络能耗联合优化算法对其进行求解。仿真结果表明,该算法在有效实现VNF迁移开销与网络能耗折中的同时,提高了PM资源利用率,保证了PM性能并均衡各PM负载。     

一种基于联邦学习资源需求预测的虚拟网络功能迁移算法

针对网络切片场景下时变网络流量引起的虚拟网络功能(VNF)迁移问题,该文提出一种基于联邦学习的双向门控循环单元(FedBi-GRU)资源需求预测的VNF迁移算法。该算法首先建立系统能耗和负载均衡的VNF迁移模型,然后提出一种基于分布式联邦学习框架协作训练预测模型,并在此框架的基础上设计基于在线训练的双向门控循环单元(Bi-GRU)算法预测VNF的资源需求。基于资源预测结果,联合系统能耗优化和负载均衡,提出一种分布式近端策略优化(DPPO)的迁移算法提前制定VNF迁移策略。仿真结果表明,两种算法的结合有效地降低了网络系统能耗并保证负载均衡。     

基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法

针对5G网络场景下缺乏对资源需求的有效预测而导致的虚拟网络功能(VNF)实时性迁移问题,该文提出一种基于深度信念网络资源需求预测的VNF动态迁移算法。该算法首先建立综合带宽开销和迁移代价的系统总开销模型,然后设计基于在线学习的深度信念网络预测算法预测未来时刻的资源需求情况,在此基础上采用自适应学习率并引入多任务学习模式优化预测模型,最后根据预测结果以及对网络拓扑和资源的感知,以尽可能地减少系统开销为目标,通过基于择优选择的贪婪算法将VNF迁移到满足资源阈值约束的底层节点上,并提出基于禁忌搜索的迁移机制进一步优化迁移策略。仿真表明,该预测模型能够获得很好的预测效果,自适应学习率加快了训练网络的收敛速度,与迁移算法结合在一起的方式有效地降低了迁移过程中的系统开销和服务级别协议(SLA)违例次数,提高了网络服务的性能。     

基于强化学习的5G网络切片虚拟网络功能迁移算法

针对5G网络切片架构下业务请求动态性引起的虚拟网络功能(VNF)迁移优化问题,该文首先建立基于受限马尔可夫决策过程(CMDP)的随机优化模型以实现多类型服务功能链(SFC)的动态部署,该模型以最小化通用服务器平均运行能耗为目标,同时受限于各切片平均时延约束以及平均缓存、带宽资源消耗约束。其次,为了克服优化模型中难以准确掌握系统状态转移概率及状态空间过大的问题,该文提出了一种基于强化学习框架的VNF智能迁移学习算法,该算法通过卷积神经网络(CNN)来近似行为值函数,从而在每个离散的时隙内根据当前系统状态为每个网络切片制定合适的VNF迁移策略及CPU资源分配方案。仿真结果表明,所提算法在有效地满足各切片QoS需求的同时,降低了基础设施的平均能耗。     

基于集成深度神经网络流量预测的动态网络切片迁移算法

针对5G网络切片(NS)场景下由于缺乏提前对物理网络资源进行感知而导致切片迁移滞后的问题,该文提出一种基于集成深度神经网络流量预测的动态切片调整和迁移算法(DSAM)。首先建立了基于计算、内存、带宽资源配置的网络总惩罚模型;其次,提出基于集成深度神经网络的流量预测算法预测未来网络流量情况,并根据流量类型的不同将其转换成对未来时刻物理网络的资源占用及切片的资源需求感知;最后,根据感知结果,以尽可能大地降低运营商惩罚为目标,通过动态切片调整和迁移策略将虚拟网络功能(VNF)和虚拟链路迁移到满足资源限制的物理节点和链路上。仿真结果表明,所提算法有效提高了切片迁移的效率和网络资源利用率。     

一种支持硬件加速的虚拟网络功能部署模型

为解决以软件实现的虚拟网络功能(VNF)性能受限问题,软件定义网络和网络功能虚拟化(SDN/NFV)等新型网络架构引入了硬件加速资源。硬件加速资源的部署,使得VNF能够为日益增长的数据流量提供服务保障。该文针对已有研究未考虑具有高性能数据处理需求的服务链VNF部署问题,提出一种支持硬件加速的VNF部署模型。该模型基于硬件加速资源的承载特性,在保证未加速VNF到商用服务器的优化部署下,优先实现交换机中加速资源的复用,并根据网络业务的性能需求,灵活调整加速资源与VNF的映射约束。仿真实验表明,与其他典型部署方法相比,在引入相同硬件加速资源的情况下,该模型可以承载更多的业务流量,满足服务链高性能数据处理需求,有效提高了部署在网络中加速硬件的资源利用率。     

一种基于主-备份节点同步映射的VNF热备份机制

网络功能虚拟化实现了网络功能与专属硬件平台的分离,虚拟网络功能（Virtual Network Function,VNF）通过动态组合形成服务功能链,实现同一硬件平台部署不同的功能服务。针对软件定义网络功能服务可靠性和物理网络资源效率问题,提出了一种基于主备份节点同步映射的VNF节点热备份机制。首先,选择满足节点资源约束的物理节点为主备份节点候选映射对;然后,选择满足带宽约束的最短物理链路为服务路径,实现节点与链路资源总开销的优化。实验结果表明,与传统的备份机制相比,该方法能够满足电信级高可靠性的服务需求,降低了VNF节点备份资源总开销,提高了服务请求的接受率和底层物理网络资源的利用率。     

基于深度确定性策略梯度的虚拟网络功能迁移优化算法

针对NFV/SDN架构下,服务功能链(SFC)的资源需求动态变化引起的虚拟网络功能(VNF)迁移优化问题,该文提出一种基于深度强化学习的VNF迁移优化算法.首先,在底层CPU、带宽资源和SFC端到端时延约束下,建立基于马尔可夫决策过程(MDP)的随机优化模型,该模型通过迁移VNF来联合优化网络能耗和SFC端到端时延.其...     

基于改进深度强化学习的虚拟网络功能部署优化算法

针对网络功能虚拟化/软件定义网络 (NFV/SDN)架构下,网络服务请求动态到达引起的服务功能链(SFC)部署优化问题,该文提出一种基于改进深度强化学习的虚拟网络功能(VNF)部署优化算法。首先,建立了马尔科夫决策过程 (MDP)的随机优化模型,完成SFC的在线部署以及资源的动态分配,该模型联合优化SFC部署成本和时延成本,同时受限于SFC的时延以及物理资源约束。其次,在VNF部署和资源分配的过程中,存在状态和动作空间过大,以及状态转移概率未知等问题,该文提出了一种基于深度强化学习的VNF智能部署算法,从而得到近似最优的VNF部署策略和资源分配策略。最后,针对深度强化学习代理通过ε贪婪策略进行动作探索和利用,造成算法收敛速度慢等问题,提出了一种基于值函数差异的动作探索和利用方法,并进一步采用双重经验回放池,解决经验样本利用率低的问题。仿真结果表示,该算法能够加快神经网络收敛速度,并且可以同时优化SFC部署成本和SFC端到端时延。