一种支持节点分割的vEPC虚拟网络功能部署模型

软件定义网络(SDN)和网络功能虚拟化(NFV)促进了网络的创新,NFV实现了虚拟网络功能(VNF)的逻辑集中部署。针对vEPC(virtualized Evolved Packed Core)网络中VNF的池组化部署问题,该文提出一种支持节点分割的VNF部署模型,该模型基于虚拟请求业务流量的感知,利用节点分割算法动态调整VNF与底层网络资源切片的映射关系,实现VNF的跨域组池。与传统的多功能链联合映射算法相比,该方法能够实现节点资源细粒度化管理和统筹调度,优化网络视图,减少资源碎片。在SNDlib提供的网络拓扑实例下仿真证明,该模型可以降低虚拟网络的资源开销,并提高虚拟网络的请求接收率。     

面向软件定义网络的服务功能链优化部署算法研究

针对网络功能虚拟化(NFV)环境下,现有服务功能链部署方法无法在优化映射代价的同时保证服务路径时延的问题,该文提出一种基于IQGA-Viterbi学习算法的服务功能链优化部署方法。在隐马尔可夫模型参数训练过程中,针对传统Baum-Welch算法训练网络参数容易陷入局部最优的缺陷,改进量子遗传算法对模型参数进行训练优化,在每一迭代周期内通过等比例复制适应度最佳种群的方式,保持可行解多样性和扩大空间搜索范围,进一步提高模型参数的精确度。在隐马尔科夫链求解过程中,针对隐含序列无法直接观测这一难点,利用Viterbi算法能精确求解隐含序列的优势,解决有向图网络中服务路径的优化选择问题。仿真实验结果表明,与其它部署算法相比,所提IQGA-Viterbi学习算法能有效降低网络时延和映射代价的同时,提高了网络服务的请求接受率。

     

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。     

一种面向运营成本优化的虚拟网络功能部署和路由分配策略

随着网络功能虚拟化(NFV)技术的发展,虚拟网络功能(VNF)可以通过服务功能链(SFC)的形式部署在如虚拟机的通用平台中,为管理带来灵活性。但是对于服务提供商来说,由于网络基础设施的复杂性和日益增长的服务需求,给VNF的部署带来了高昂的运营成本(OPEX)。针对此问题,该文提出一种面向OPEX优化的策略,旨在最小化OPEX中的激活、能耗和传输成本,得到VNF部署和路由分配优化方案。为此建立一种全新的混合整数线性规划(MILP)模型,并设计包括遗传算法(GA)在内的3种OPEX优化算法。仿真实验评估在不同资源配给下MILP和3种算法的OPEX及其性能,其中GA算法在节点资源配比60%以上时可以得到近似于MILP模型的解决方案。

     

改进Viterbi算法在机动目标跟踪中的应用

为在不影响检测概率的情况下有效降低计算量，在一种适用于机动目标且对目标的观测噪声未加任何限制的模型检测与跟踪算法中，采用了改进自适应Viterbi算法。针对Viterbi算法计算量大，实时性较差的缺点，采用一种改进的自适应算法，即结合Viterbi—Beam和Viterbi—Window算法以减少原Viterbi算法中的冗余状态，同时保证差错率无明显提高。我们通过对此算法的仿真表明，在相同的多目标跟踪仿真环境下，改进自适应Viterbi算法可以更有效地提高计算速度。且算法性能与原Viterbi算法相似。     

5G网络切片场景中基于预测的虚拟网络功能动态部署算法

针对无线虚拟化网络在时间域上业务请求的动态变化和信息反馈时延导致虚拟资源分配的不合理,该文提出一种基于长短时记忆(LSTM)网络的流量感知算法,该算法通过服务功能链(SFC)的历史队列信息来预测未来负载状态。基于预测的结果,联合考虑虚拟网络功能(VNF)的调度问题和相应的计算资源分配问题,提出一种基于最大最小蚁群算法(MMACA)的虚拟网络功能动态部署方法,在满足未来队列不溢出的最低资源需求的前提下,采用按需分配的方式最大化计算资源利用率。仿真结果表明,该文提出的基于LSTM神经网络预测模型能够获得很好的预测效果,实现了网络的在线监测;基于MMACA的VNF部署方法有效降低了比特丢失率的同时也降低了整体VNF调度产生的平均端到端时延。     

虚拟网络功能资源容量自适应调整方法

为了实现网络功能虚拟化平台中物理资源的动态按需分配,该文提出一种虚拟网络功能资源容量自适应调整方法.该方法首先利用长短期记忆网络预测平台流量的变化趋势,然后结合流量预测结果设计了一种基于多层前馈神经网络的虚拟网络功能资源需求预测方法,最后根据资源需求预测结果,设计了一种基于动态编码遗传算法的虚拟网络功能动态部署方法,实...     

虚拟网络功能资源容量自适应调整方法

为了实现网络功能虚拟化平台中物理资源的动态按需分配,该文提出一种虚拟网络功能资源容量自适应调整方法.该方法首先利用长短期记忆网络预测平台流量的变化趋势,然后结合流量预测结果设计了一种基于多层前馈神经网络的虚拟网络功能资源需求预测方法,最后根据资源需求预测结果,设计了一种基于动态编码遗传算法的虚拟网络功能动态部署方法,实现虚拟网络功能资源容量的自适应调整.实验结果表明,与现有的资源容量调整方法相比,该文提出的资源容量自适应调整方法能够降低流量预测误差对资源需求预测结果的影响,降低资源需求预测的相对误差,减少虚拟网络功能实例占用的服务器数量.     

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。

     

一种改进的基于隐马尔科夫模型地图匹配算法

地图匹配是指将离线的轨迹点转换为实际交通路网上的过程,在路径规划、轨迹预测、实时导航、智能交通系统中有着广泛的应用.本文基于隐马尔科夫模型,针对传统隐马尔科夫模型因转移、观测概率矩阵不完备引起的无匹配的问题,提出了一种改进的基于隐马尔科夫模型的地图匹配算法.该算法首先对GPS轨迹点进行清洗、抽稀,之后根据路网复杂度等实...     

基于多智能体柔性演员-评论家学习的服务功能链部署算法

针对网络功能虚拟化(NFV)架构下业务请求动态变化引起的服务功能链(SFC)部署优化问题,该文提出一种基于多智能体柔性演员-评论家(MASAC)学习的SFC部署优化算法。首先,建立资源负载惩罚、SFC部署成本和时延成本最小化的模型,同时受限于SFC端到端时延和网络资源预留阈值约束。其次,将随机优化问题转化为马尔可夫决策过程(MDP),实现SFC动态部署和资源的均衡调度,还进一步提出基于业务分工的多决策者编排方案。最后,在分布式多智能体系统中采用柔性演员-评论家(SAC)算法以增强探索能力,并引入了中央注意力机制和优势函数,能够动态和有选择性地关注获取更大部署回报的信息。仿真结果表明,所提算法可以实现负载惩罚、时延和部署成本的优化,并随业务请求量的增加能更好地扩展。     

面向时延与可靠性优化的服务功能链部署方法

针对5G网络高可靠性、低时延的服务需求,该文提出一种面向时延与可靠性优化的服务功能链(SFC)部署(DROSD)方法。在不预留冗余资源的情况下,首先通过功能互斥约束来确定SFC中相邻虚拟网络功能(VNF)是否可聚合;其次通过功能性约束、资源约束选择可聚合物理节点集合,实现负载均衡,提高SFC可靠性;然后通过跳数约束进行优化,进一步筛选可聚合物理节点集合以降低SFC的端到端时延;最后通过节点可用资源、节点度以及与原节点跳数指标进行降序排列,取最大值物理节点部署VNF。SFC的路由选择,采用K-最短路径算法。仿真实验表明,该文所提算法提高了请求接受率、长期平均收益开销比,增强了SFC可靠性,降低了端到端时延,减小了平均带宽开销。     

基于联合备份的服务功能链可靠性保障的部署方法

在网络功能虚拟化(NFV)环境中,针对服务功能链(SFC)部署时的可靠性问题,该文提出对备份虚拟网络功能选择、备份实例放置和服务功能链部署的联合优化方法。首先,定义一个单位开销可靠性提高值的虚拟网络功能衡量标准,改进备份虚拟网络功能选择方法;其次,采用联合备份的方式调整相邻备份实例之间的放置策略,以降低带宽资源开销;最后,将整个服务功能链可靠性保障的部署问题构建成整数线性规划模型,并提出一种基于最短路径的启发式算法,克服整数线性规划求解的复杂性。仿真结果表明,该方法在优先满足网络服务可靠性需求的同时,优化资源配置,提高了请求接受率。