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5G网络切片的车联网资源分配优化方法

由于传统的资源分配方法存在一定不足,故文章提出了基于5G网络切片的物联网资源分配优化方法。首先,对5G切片的资源分配优化方法进行设计,如建立资源分配模型;其次,基于5G网络切片建立资源分配算法;最后,构建边缘服务器资源分配机制,基于以上步骤完成资源分配方法的设计。为验证所设计方法的有效性,文章建立了对比实验,选取基于灰狼优化和匈牙利算法的D2D资源分配策略与基于云雾混合计算的车联网联合资源分配算法作为对比方法对比3种方法性能,最终得出所提方法资源分配时间最短,有效性更高。     

基于机器学习的5G通信网络资源流量预测与分配研究

5G 通信是现代信息体系的重要基础,由于流量波动较大,建立有效的预测与分配机制对于降低基站负载、提高信息传输效能具有积极意义。文中优化了ER-LSTM 预测算法,采用误差循环的方式引入机器学习架构,旨在提高预测精度,并形成有效的分配机制。研究发现,优化后的算法模型在500~2 500 次循环学习的基础上能实现有效的预测,提高系统承载力,具有推广应用的价值。     

基于深度强化学习的5G电力虚拟专用光网络切片时延优化算法研究

针对5G电力虚拟专用光网络切片中业务端到端时延大及网元状态同步时延影响仿真策略准确性的问题,提出一种基于深度强化学习的5G电力虚拟专用光网络切片时延优化算法。首先,建立5G电力虚拟专用光网络切片系统模型,该模型包括一个用于网元状态更新的同步节点和其余业务节点,其中,同步节点通过专用特种光纤与软件定义网络控制器直接连接。在此基础上,在保证业务服务质量的同时,提出一个最小化包括业务时延和网元同步时延的优化问题。该优化问题的变量既有离散变量又有连续变量,因此,分别使用离散和连续的深度强化学习算法求解。仿真结果表明,所提出的算法能够有效降低电力虚拟专用光网络切片网络时延,在满足服务质量要求的同时能有效保证仿真策略的实时性。     

基于在线双向拍卖的虚拟网络切片资源调度机制

为解决 5G网络切片间资源分配的问题,该文提出一种基于在线双向拍卖 (ODA)的资源调度机制。该机制首先针对不同的业务需求和业务收益确定网络切片的优先级和单位资源报价;其次明确最大化网络收益的目标建立线下单向拍卖模型;进一步,考虑资源的动态分配和回收利用,提出价格更新算法实时更新资源价格;最后,综合线下单向拍卖机制和价格动态变化机制建立在线双向拍卖模型,为切片动态分配资源。仿真结果表明,该机制在提高网络收益的同时可以保证各切片用户的QoS需求。     

5G网络切片技术探讨

随着万物感知、万物智能及万物互联的5G网络时代来临,业务应用场景的网络需求逐渐复杂多样,通过5G网络切片技术,可以将一张物理网络划分出多个虚拟的专用逻辑隔离网络,以服务的形式满足各行业的定制化需求.本文具体分析5G网络切片思路,指出网络切片风险与挑战,对未来5G网络切片技术的应用进行展望.     

5G移动通信中基于安全信任的网络切片部署策略探讨

我国传统的网络切片部署模式已经难以切实有效地控制网络流量,导致5G网络资源无法得到充分地应用,极大地影响到通信网络的安全性与稳定性。而构建基于安全信任的5G移动通信网络切片部署策略,能够为网络资源的有效处理,奠定坚实的构架基础,使网络资源得到有效的分配,提升网络资源的实效性与有效性。对此,结合网络切片部署策略的设计,以实验探究的方式,论证该策略的可行性与稳定性。     

基于流量预测的5G通信网络资源分配方法

为实现5G通信网络资源的最佳分配,提出基于流量预测的5G通信网络资源分配方法。在5G网络切片的资源分配情况下,形成基于Prophet-PFMGNet的5G通信网络流量预测模型,预测5G通信网络流量以及资源需求,采用布谷鸟优化资源分配结果,获取最佳5G通信网络资源分配。测试结果表明：该方法具备良好的网络流量预测效果,确定性相关系数取值均在0.92以上,可靠预测资源需求,应用后网络节点和链路两种资源的利用率均在0.93以上,用户的阻塞概率均低于0.06。     

一种5G网络切片的编排算法

网络切片是基于SDN/NFV的5G网络架构实现按需组网的一种重要技术.通过分析5G主要场景,提出了SDN/NFV架构下一种基于GA-PSO优化的网络切片编排算法.该算法利用粒子群算法能够快速收敛于全局最优解的特性,设计网络切片性能的评价函数.并且利用遗传算法快速随机搜索的能力,实现对网络切片的更新和优化,利用粒子群追逐局部最优解与全局最优解得到最优网络切片.仿真实验结果表明,该算法能够实现对多业务场景网络切片的个性化创建,充分发挥SDN的集中控制方式的优点,在降低网络能耗的同时,提高网络资源利用率.     

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。     

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。     

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。     

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。     

面向服务的车辆网络切片协调智能体设计

针对现有研究中缺乏对车辆网络切片的部署和管理,该文设计了车辆网络切片架构中的切片协调智能体。首先基于K-means++聚类算法将车联网通信业务根据相似度进行聚类并映射到对应的切片中。其次,在考虑应用场景间的时空差异导致的无线资源利用不均衡现象,提出了共享比例公平方案以实现对无线资源的高效及差异化利用。最后,为了保证切片...     

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。

     

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。     

一种基于Viterbi算法的虚拟网络功能自适应部署方法

为了应对移动数据流量的爆炸性增长,5G移动通信网将引入新型的架构设计。软件定义网络和网络功能虚拟化是网络转型的关键技术,将驱动移动通信网络架构的创新,服务链虚拟网络功能的部署是网络虚拟化研究中亟待解决的问题。该文针对已有部署方法未考虑服务链中虚拟网络功能间顺序约束和移动业务特点的问题,提出一种基于Viterbi算法的虚拟网络功能自适应部署方法。该方法实时感知底层节点的资源变化并动态调整拓扑结构,采用隐马尔科夫模型描述满足资源约束的可用的底层网络节点拓扑信息,基于Viterbi算法在候选节点中选择时延最短的服务路径。实验表明,与其它的虚拟网络功能部署方法相比,该方法降低了服务链的服务处理时间,并提高了服务链的请求接受率和底层资源的成本效率。     

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...     

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。