欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 202310138615X
申请人: 重庆邮电大学
专利类型:发明专利
专利状态:授权未缴费
专利领域: 电通信技术
更新日期:2024-09-12
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法,其特征在于:该方法包括以下步骤:S1、构建数字孪生辅助的5G云无线接入网络切片架构,并通过在孪生服务节点构建VNF数字孪生体对VNF进行实时监控;

S2、采用基于在线学习的多任务VNF资源预测框架对VNF资源需求进行预测,并结合迁移学习采用基于多任务TransDT‑GRU的VNF资源预测框架;所述基于在线学习的多任务VNF资源预测框架包括离线训练模块,在线学习模块,以及在线迁移与孪生服务节点链路关联模块;

所述离线训练模块具体为:设离线训练模块的输入特征集合为:

w={w1,w2,…,wk‑1,wk,…}

式中,wk表示第i条SFC上第j个VNF的第k个特征样本集,且:

式中,d表示样本中时隙的长度,也指在线学习预测阶段的滑动窗口,Xij(t)表示由CPU资源需求、存储资源需求和链路带宽资源组成的特征,且 其中, 表示第i条SFC上的第j个VNF的CPU计算资源需求, 表示内存资源需求, 则表示第i条SFC上的VNF j和VNF k之间的虚拟链路的带宽资源需求;

采用多任务学习方法,将CPU、存储和链路带宽资源多个任务作为一个特征输入到同一GRU网络中进行训练,充分挖掘不同资源预测任务之间的关联性,提升各个子任务的模型精度;通过将所有存储的历史特征输入到GRU网络进行离线预训练,并对训练参数进行调整,为在线学习模块提供良好的初始模型参数;

所述在线学习模块具体为:将离线训练阶段的预训练参数作为初始参数进行在线学习,每存储一个新的资源需求实际值,就对最旧的样本特征进行丢弃,保持滑动窗口长度不变,并通过正向传播参数,反向微调对模型参数进行更新,为网络系统提供一个在线的VNF资源预测模型;

所述在线迁移与孪生服务节点链路关联模块具体为:SDN控制器收集各孪生服务节点预测的VNF资源需求,判断物理网络中的低载NFV节点、过载NFV节点和链路,制定相应的VNF迁移策略和孪生服务节点链路关联策略来保证网络性能;

所述基于多任务TransDT‑GRU的VNF资源需求预测框架具体为:

首先,当VNF1首次映射到NFV节点并关联到孪生服务节点上时,孪生服务节点可以通过基于多任务DT‑GRU的VNF资源需求算法训练模型参数ω(t);然后,当VNF发生迁移时,其关联的孪生服务节点也发生改变,导致VNF数字孪生体的迁移;此时新数字孪生体将根据新采集的VNF资源需求数据对权重进行更新;

S3、在计算、内存、带宽资源、VNF映射和数字孪生体构建约束下,构建VNF迁移后的网络能耗、资源方差和网络同步时延最小化模型;所述最小化模型表示为:式中,α、β和γ为权重因子,Ptotal(t)、Ltotal(t)和 分别表示t时刻整个网络系统网络的总能耗、总资源方差和VNF平均同步时延,Pmax表示网络系统的最大能耗,Lmax表示网络系统的最大资源方差,τmax表示所有VNF的最大平均同步时延;

S4、基于预测的VNF资源预测结果,设置多种计算资源使用阈值的VNF迁移触发条件,并通过VNF迁移和孪生服务节点链路关联,以降低迁移后系统的网络能耗、资源方差和VNF平均同步时延;具体地,通过分阶段设计基于MAPPO的VNF迁移子算法和基于MADDPG的孪生服务节点链路关联子算法来最小化优化模型。

2.根据权利要求1所述的虚拟网络功能迁移方法,其特征在于:在步骤S1中,网络切片场景包括基础设施层、虚拟化层和应用层;所述基础设施层包括NFV节点和孪生服务节点,NFV节点用于处理VNF,孪生服务节点用于构建相应的VNF数字孪生体;所述虚拟化层用于实现对虚拟资源的灵活调配;所述应用层中包括多条SFC。

3.根据权利要求1所述的虚拟网络功能迁移方法,其特征在于:在步骤S3中,当物理节点资源利用率较低时,通过迁移该物理节点上的VNF或者数字孪生体并关联物理节点来降低网路能耗;当物理节点或链路资源利用率较高时,通过调整迁移VNF或VNF数字孪生体,或者调度链路来降低网络资源方差和VNF同步时延。

4.根据权利要求1所述的虚拟网络功能迁移方法,其特征在于:所述基于MAPPO的VNF迁移子算法的步骤如下:

1)每个智能体与网络系统交互,从网络环境中获得物理节点和链路的状态信息,并从SDN控制器获得资源需求预测信息;

2)根据资源需求计算每个NFV节点的CPU利用率、存储利用率以及链路带利用率,若存up d在NFV节点资源利用率高于上限阈值κ 或低于下限阈值κ ,或者存在链路利用率高于上限up阈值κ 的情况,则将触发VNF迁移和孪生服务节点链路关联机制;

3)在VNF迁移阶段,算法首先将初始化每一智能体的行动家(Actor)网络参数、评论家(Critic)网络参数和最大迭代次数;

4)在每轮迭代过程中,首次状态将由网络直接初始化,后续状态需要等待MADDPG的关联算法执行完成才能得到;

5)重复决策步骤并存储轨迹,直到达到迭代中最大步数;

6)通过泛化优势估计法估计优势函数;

7)在训练阶段,通过Adam优化器更新Actor和Critic网络参数。

5.根据权利要求1所述的虚拟网络功能迁移方法,其特征在于:所述基于MADDPG的孪生服务节点链路关联子算法的步骤如下:

1)每个智能体和网络系统交互,从网络环境中获得物理节点和链路信息,并从SDN控制器获取VNF迁移后在孪生服务节点构建VNF数字孪生体的实际资源需求量和VNF的节点链路映射策略;

2)初始化一个动作探索的随机过程N和缓存池D2,初始化Actor网络参数为 Critic网络参数为 从MAPPO算法接收执行动作后的状态动作用于更新MADDPG关联算法状态;

3)对每一个智能体v,由当前策略和随机探索因子Nt选择当前动作 在MADDPG关联算法执行完该动作后获得奖励,将执行后的状态动作发送至MAPPO算法,等待MAPPO算法执行完在下一轮再更新到下一状态;

4)每一智能体从缓存池D2中采样数据量大小为B2的小批次数据,计算目标值yj,并通过损失函数更新Critic网络;

5)对每个智能体,采取软更新的方式对目标网络参数 进行更新。