1.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方法，其特征在于：包括以下步骤：

S1：针对切片网络中服务功能链SFC业务资源需求的动态性特征，建立综合迁移开销和带宽开销的系统开销模型；

在步骤S1中，所述综合迁移开销和带宽开销的系统开销模型包括：把底层网络形式化为一个无向图S S S

G＝(N ,L)

S S

其中，N 表示底层节点集合，每个节点部署一个或多个VNF，L 表示所有底层链路的集合；

节点资源包括CPU资源和内存资源，每单位CPU资源代表处理一个数据包所需的资源；

S

每个底层节点m∈N的节点CPU容量为 内存资源容量为M(m)，连接节点m和n的链路lmn的带宽为 是节点m和n之间无环路的路径集合；

SFCs链形式化成有向图，表示为V V V

G＝(N ,L)

V V

其中，N表示所有的VNF集合，L表示连接VNF的所有虚拟链路的集合，每个SFC由一些有序的VNF功能组成，SFC集合表示为S＝{sq|q＝1,2,...Q}每个SFC∈Q由 和连接相邻两个VNF u和v的虚拟链路 组成；

SFC中每个VNF u的CPU资源需求为 内存资源需求为M(u)，虚拟链路luv带宽需求为S

定义一个二进制变量 表示虚拟链路luv是否映射到物理链路lmn∈L上；

一个VNF所需资源与其接下来的链路所需资源有以下关系：其中Lp表示包长，tproc表示包处理时间；

在步骤S1中，系统开销包括迁移开销和带宽开销，近似认为迁移虚拟网络功能的开销等价为迁移虚拟网络功能内存数据所占用网络带宽的时间，将虚拟网络功能u从底层节点n迁移到m的迁移开销定义为：

t

B (d)表示t实隙底层节点m到n的路径即P(m,n)上链路d的剩余可用带宽；n表示虚拟网t

络功能未迁移前所在的底层节点；m表示虚拟网络功能所要迁移到的目标节点；M (u)表示t实隙虚拟网络功能的内存资源量；

定义虚拟网络功能u和v对底层节点m和n产生的带宽开销为：t

其中hop(m,n)表示t实隙底层节点m到n的最短距离即所经过的底层链路跳数；

定义将u迁移到m的带宽开销为：进而将u迁移到m的总的系统开销为：其中α，β为相应的系数；

所以，在t实隙时虚拟网络功能整体迁移的系统开销为：优化目标为最小化迁移带来的系统开销，表示为下式：在步骤S1中，当底层节点或链路的资源超过阈值时，需要制定迁移虚拟网络功能或链路的策略，具体如下：

考虑的性能参数包括节点的CPU资源、内存资源和链路资源，综合对这三个指标的历史数据的监测，通过基于在线学习的自适应深度信念网络预测的方法来确定该底层节点或链路是否负载过重，然后根据预测结果进行相应的迁移动作，根据资源需求的差异性，以多阈值触发方式确定需要作出迁移动作的底层节点或链路以及需要迁移的虚拟网络功能或链路；设CPU、内存和带宽的资源利用率阈值分别是rC,rM,rB，若使用t实隙及其之前的历史数据预测到t+1实隙的资源需求情况超过阈值，自动触发虚拟网络功能或链路迁移，使得迁移后满足底层节点和链路的阈值要求；

S2：采用基于在线学习的自适应深度信念网络DBN预测的方法及时发现其所部署的底层节点或链路中的资源热点；

在步骤S2中，所述基于在线学习的自适应深度信念网络预测的方法具体是指：基于在线学习的深度信念网络SFC资源需求预测模型包括离线训练、在线学习和在线迁移；

在离线训练阶段，首先对SFC的CPU、内存和带宽资源需求进行特征采集，提取CPU资源需求和内存资源需求作为CPU资源需求预测的特征，即每个样本表示为并把CPU资源需求和内存资源需求作为内存资源需求预测的特征，每个样本表示为而对带宽的预测通过公式得到

对于每一条SFC而言，得到的历史观察样本集合表示为O＝{···Oj···}，其中第j个样本集Oj＝[Xt,Xt‑1,...Xt‑d+1]，d表示样本集中样本的个数，同时也指在线学习中滑动窗口的长度， 表示t实隙时SFC的资源需求特征，每个样本集按照时间序列不重复的依次选取d个实隙的样本，每个样本集的样本都是不同的，对数据进行预处理后构造DBN模型对模型参数θ＝(w,a,b)进行正向批训练，其中w,a,b分别表示相邻两层之间的连接权重、可见层的偏置值和隐藏层的偏置值，然后进行反向微调过程，构造出最初的预测模型；

在线学习阶段是对预测模型的实时优化，这里使用离线训练的结果辅助在线学习，采用滑动窗口机制实时更新样本集，即每增加一个最新样本，就丢弃一个最旧样本，保持学习样本集大小不变，并进行DBN正向训练重新调整模型参数，使用单样本集训练方法，这时相邻样本集只有一个样本不同，然后执行反向微调过程，对模型参数进行优化更新；

最后的在线迁移阶段采用上述构造的优化后的预测模型进行SFC资源需求的预测，并根据预测的结果判断物理网络中的过载节点，制定迁移策略，进行相应的虚拟网络功能或链路的迁移；迁移完成后，利用监测到的资源需求信息更新样本，从而为下一次的预测以及迁移提供参考；

此外引入多任务学习MTL的模式把同一条SFC上的VNF的资源需求同时预测，并采用自适应学习率加快训练网络的收敛速度；

S3：根据预测结果设计基于拓扑感知的动态迁移方法以减少系统开销；

在步骤S3中，所述基于拓扑感知的动态迁移方法是指：对于预测到的每个过载底层节点，为其上的每个虚拟网络功能贪心地选择目标底层节点；对于每个虚拟网络功能，利用拓扑感知方法计算其到所有满足资源约束的底层节点的系统开销，选出一个使得系统开销Ctot(u,m)最小的虚拟网络功能u迁移到目标节点m，这样通过最小化每个迁移的虚拟网络功能的系统开销来尽可能减少虚拟网络功能迁移的总开销，对于每个过载物理节点选择出系统开销最小的VNF进行迁移，直到所有的节点都不会超过资源阈值为止，最后输出相应的解；

VNF迁移到距离其邻居VNF映射节点最近的物理节点上，所述距离是指虚拟链路的重构路径长度，也即跳数，因此拓扑感知的VNF迁移模型定义为：其中D(m,n)表示m和n之间的最短距离，这里指满足带宽要求的链路跳数， 指物理节S′

点m的可用资源量，p(m,n)指m到n的最短路径，B (p(m,n))表示m到n的最短路径上的可用带宽量；

S4：基于禁忌搜索的优化方法进一步优化迁移策略，所述基于禁忌搜索的优化方法是指：

这里禁忌搜索包括初始解、邻域解、禁忌表、特赦准则和终止准则；

a)初始解：采用所述步骤S3中得到的最优解作为禁忌搜索的初始解；

b)邻域解：领域是在当前解的基础上按照一定的移动策略形成的新解的集合，这里采用交换的移动策略，即对于过载的n个物理节点，其迁移的一个可行解为Z，通过交换得到的邻域N(Z)定义为交换任意两个物理节点上的VNF迁移顺序，并且在交换的过程中，根据系统开销最小的原则，通过评估当前解Z的邻域解集，选出比当前解更优的解Z′；

c)禁忌表：如果将交换两个过载物理节点上的VNF迁移顺序过后的解放到禁忌表中，这个解被称为禁忌对象，使用二维数组T(i,j)记录禁忌表，一旦被放入禁忌表中，该解在一定的迭代次数内不被搜索到，禁止在n‑1迭代次数内重新回到初始状态，即n‑1为禁忌长度，其中n为过载物理节点的个数；

*

d)特赦准则：如果一个处在禁忌表中的迁移策略相比当前最优方案Z的系统开销还要小，则特赦该迁移策略，移除禁忌的标签，将其加入候选迁移节点；

e)终止准则：设定最优解没有变化的迭代次数作为终止准则或者达到最大的迭代步数时即停止。

2.根据权利要求1所述的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方法，其特征在于：所述自适应学习率是指：通过观察资源预测过程中的RBM重构误差曲线来判断当前学习率ε是否合适，从而使得RBM根据实际训练情况自动调整学习率ε，在训练过程中，若重构误差减小则增大ε，即乘上一个大于1的数，反之则减小ε，即乘上一个小于1的数。

3.根据权利要求1所述的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方法，其特征在于：在步骤S3中，所述基于拓扑感知的动态迁移方法包括以下步骤：S31：输入过载的物理节点Ss以及它上面的VNF集合VNFList；

S32：判断过载物理节点是否存在，若不存在就结束；否则就执行步骤S33；

S33：对过载物理节点上的VNF分别计算其迁移到其他每个符合阈值要求的物理节点上的系统开销的最小值；

S34：选择该节点上迁移系统开销最小的VNF进行迁移，迁移的目标物理节点即是开销最小值对应的物理节点；

S35：判断该物理节点是否仍过载，若是，则返回步骤S33继续执行选择开销次小的VNF进行迁移；否则，则返回步骤S33继续处理下一个过载物理节点。

4.根据权利要求1所述的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方法，其特征在于：在步骤S4中，所述基于禁忌搜索的优化方法包括以下步骤：S41：把初始解定为基于拓扑感知的迁移方法得出的解，将当前解作为最优解，置空禁* * *

忌表，即初始解：Z＝Z0，Z＝Z0，T＝φ，定义特赦值为A(Z)＝Ctot(Z)；

S42：判断是否满足终止准则，若是则该方法执行完毕，输出最优解；否则执行步骤S43；

* *

S43：产生N(Z)的一个候选集W，在候选集中选取最优解X ，更新Ctot(X)，计算过程中需遵循系统开销最小的原则，重新确定交换顺序的两个过载物理节点上需要迁移的VNF；

* * * *

S44：进行破禁检查，如果Ctot(X)

* * * * *

S45：选优并记录历史最好点，更新特赦值，即如果Ctot(X)

Ctot(X),A(Z)＝Ctot(Z)；

*

S46：更新禁忌表T，T＝T∪X；

*

S47：更新当前解，令Z＝X，返回步骤S42继续执行。