高级搜索

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

唐伦 周钰 杨友超 赵国繁 陈前斌

引用本文: 唐伦, 周钰, 杨友超, 赵国繁, 陈前斌. 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[J]. 电子与信息学报, 2019, 41(9): 2071-2078. doi: 10.11999/JEIT180894 shu
Citation:  Lun TANG, Yu ZHOU, Youchao YANG, Guofan ZHAO, Qianbin CHEN. Virtual Network Function Dynamic Deployment Algorithm Based on Prediction for 5G Network Slicing[J]. Journal of Electronics and Information Technology, 2019, 41(9): 2071-2078. doi: 10.11999/JEIT180894 shu

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

    作者简介: 唐伦: 男,1973年生,教授,博士生导师,主要研究方向为新一代无线通信网络、异构蜂窝网络、软件定义无线网络等;
    周钰: 男,1993年生,硕士生,研究方向为5G网络切片资源分配和深度学习;
    杨友超: 男,1993年生,硕士生,研究方向为网络虚拟化和切片资源分配;
    赵国繁: 女,1993年生,硕士生,研究方向为5G网络切片中的资源分配,可靠性;
    陈前斌: 男,1967年生,教授,博士生导师,主要研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络
    通讯作者: 周钰,137068966@qq.com
  • 基金项目: 国家自然科学基金(61571073)

摘要: 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。

English

    1. [1]

      MAHMOOD N H, LAURIDSEN M, BERARDINELLI G, et al. Radio resource management techniques for eMBB and mMTC services in 5G dense small cell scenarios[C]. IEEE 84th Vehicular Technology Conference, Montreal, Canada, 2016: 1–5.

    2. [2]

      VASSILARAS S, GKATZIKIS L, LIAKOPOULOS N, et al. The algorithmic aspects of network slicing[J]. IEEE Communications Magazine, 2017, 55(8): 112–119. doi: 10.1109/MCOM.2017.1600939

    3. [3]

      HERRERA J G and BOTERO J F. Resource allocation in NFV: A comprehensive survey[J]. IEEE Transactions on Network & Service Management, 2016, 13(3): 518–532. doi: 10.1109/TNSM.2016.2598420

    4. [4]

      SALLENT O, PEREZ-ROMERO J, FERRUS R, et al. On radio access network slicing from a radio resource management perspective[J]. IEEE Wireless Communications, 2017, 24(5): 166–174. doi: 10.1109/MWC.2017.1600220WC

    5. [5]

      LONG Q, ASSI C, and SHABAN K. Delay-aware scheduling and resource optimization with network function virtualization[J]. IEEE Transactions on Communications, 2016, 64(9): 3746–3758. doi: 10.1109/TCOMM.2016.2580150

    6. [6]

      HUANG Huang, GUO Song, WU Jinsong, et al. Service chaining for hybrid network function[J]. IEEE Transactions on Cloud Computing, 2017. doi: 10.1109/TCC.2017.2721401

    7. [7]

      ZHU Qixuan and ZHANG Xi. Game-theory based buffer-space and transmission-rate allocations for optimal energy-efficiency over wireless virtual networks[C]. IEEE Global Communications Conference, San Diego, USA, 2015: 1–6.

    8. [8]

      FENG Qiu, ZHANG Bin, and GUO Jun. A deep learning approach for VM workload prediction in the cloud[C]. 201617th IEEE/ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD), Shanghai, China, 2016: 319–324.

    9. [9]

      MIJUMBI R, HASIJA S, DAVY S, et al. Topology-aware prediction of virtual network function resource requirements[J]. IEEE Transactions on Network & Service Management, 2017, 14(1): 106–120. doi: 10.1109/TNSM.2017.2666781

    10. [10]

      AGARWAL S, MALANDRINO F, CHIASSERINI C, et al. Joint VNF placement and CPU allocation in 5G[C]. IEEE INFOCOM 2018 - IEEE Conference on Computer Communications, Honolulu, USA, 2018: 1943–1951.

    11. [11]

      ZHANG Haijun, LIU Na, CHU Xiaoli, et al. Network slicing based 5G and future mobile networks: mobility, resource management, and challenges[J]. IEEE Communications Magazine, 2017, 55(8): 138–145. doi: 10.1109/MCOM.2017.1600940

    12. [12]

      YANG Jian, ZHANG Shuben, WU Xiaomin, et al. Online learning-based server provisioning for electricity cost reduction in data center[J]. IEEE Transactions on Control Systems Technology, 2017, 25(3): 1044–1051. doi: 10.1109/TCST.2016.2575801

    13. [13]

      CHENG Aolin, LI Jian, YU Yuling, et al. Delay-sensitive user scheduling and power control in heterogeneous networks[J]. IET Networks, 2015, 4(3): 175–184. doi: 10.1049/iet-net.2014.0026

    14. [14]

      GLOROT X and BENGIO Y. Understanding the difficulty of training deep feedforward neural networks[J]. Journal of Machine Learning Research, 2010, 9: 249–256.

    15. [15]

      唐伦, 杨希希, 施颖洁, 等. 无线虚拟网络中基于自回归滑动平均预测的在线自适应虚拟资源分配算法[J]. 电子与信息学报, 2019, 41(1): 16–23. doi: 10.11999/JEIT180048
      TANG Lun, YANG Xixi, SHI Yingjie, et al. ARMA-prediction based online adaptive dynamic resource allocation in wireless virtualized networks[J]. Journal of Electronics &Information Technology, 2019, 41(1): 16–23. doi: 10.11999/JEIT180048

    1. [1]

      李劲松, 彭建华, 刘树新, 季新生. 一种基于线性规划的有向网络链路预测方法. 电子与信息学报, 2020, 41(0): 1-9.

    2. [2]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报, 2020, 41(0): 1-7.

    3. [3]

      游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法. 电子与信息学报, 2020, 41(0): 1-6.

    4. [4]

      向敏, 饶华阳, 张进进, 陈梦鑫. 基于GCN的软件定义电力通信网络路由控制策略. 电子与信息学报, 2020, 42(0): 1-8.

  • 图 1  网络切片场景下的SFC部署系统架构图

    图 2  单个切片基于LSTM的资源预测模型

    图 3  切片业务队列负载情况LSTM预测值与实际值对比图

    图 4  切片业务队列负载情况ARMA预测值与实际值对比图

    图 5  预测误差对比图

    图 6  LSTM训练过程平均误差

    图 7  平均端到端时延的对比图

    图 8  不同方案平均比特丢失率对比图

    表 1  基于LSTM的VNF资源需求预测模型

     1 初始化:W,迭代次数$ \kappa = 0$,状态$ h\left( \kappa \right) = 0$
     2 \*网络状态的监测*\
     3  监测不同时刻用户请求业务的数据包到达率
     4  利用SFC部署算法更新队列状态并记录当前队列大小
     5 \*状态计算*\
     6  while $ \left( {\kappa < T} \right)$ do
     7   通过式(10)—式(12)计算$ h\left( {\kappa + 1} \right)$
     8   $\kappa = \kappa + 1$
     9  end while
     10 \*输出计算*\
     11 计算不同切片业务负载的预测值
     12 计算输出各个VNF资源需求预测值$ C_{f_{ij}}$
    下载: 导出CSV

    表 2  学习与训练权重

     1 迭代$ \kappa = 0$时,采用Xavier[14]初始化权重,即令权重的概率分布
    函数服从$W \sim U\left[ { - \dfrac{{\sqrt 6 }}{{\sqrt {{\chi _p} + {\chi _{p + 1}}} }},\dfrac{{\sqrt 6 }}{{\sqrt {{\chi _p} + {\chi _{p + 1}}} }}} \right]$的均匀分布,其
    中$ \chi$为网络层数,p为神经元个数
     2 while(未达到训练要求标准)do
     3  使用表1中算法计算状态$ h\left( \kappa \right)$和输出$ o\left( \kappa \right)$等参数
     4  利用反向传播算法(BPTT),使用惩罚函数式(13)计算惩罚
    函数的梯度
     5  通过式(14)更新权重W
     6  $ \kappa = \kappa + 1$
     7 end while
    下载: 导出CSV

    表 3  基于最大最小蚁群算法的多条服务功能链部署算法

     1 初始化:蚂蚁规模antNum、信息素因子$ \partial $、启发函数重要程度
    因子$ \beta $等参数
     2 for $ {\rm itCount=1:iteratorNum}$ do
     3  for $ {\rm antCount=1:antNum}$ do
     4  \*VNFs的调度*\
     5   for $ i=1:I$ do
     6    for $ j=1:J$ do
     7    根据式(18)计算转移概率$ P\left( k \right)$并采用轮盘赌法选择下
    一个VNF部署的节点$ m$
     8    更新路径矩阵pathMatrix和节点剩余资源向量$ {\text{C}_{ {\rm{re} } } }\left( m \right)$
     9    end
     10   end
     11  end
     12 \*虚拟节点计算资源的分配*\
     13  //对每个虚拟节点上的VNF按需求比例进行资源的分配
     14  for $ m=1:M$ do
     15    ${C_{\rm max}}({f_{ij}}) = {C_{\rm total}}(m)\cdot {C_{\rm pr}}({f_{ij}})\Bigr/\sum\limits_{i = 1}^I {\sum\limits_{j = 1}^J {{C_{\rm pr}}({f_{ij}})\cdot x_{{f_{ij}}}^m} } $
     16  end
     17  //计算每条服务功能链提供最大服务速率时实际分配
    VNF的计算资源
     18  for $ i=1:I$ do
     19    ${C_{{f_{ij}}}} = \mathop {\min }\limits_{j \in J} \left\{ {{C_{\max }}({f_{ij}})/{\eta _{{f_{ij}}}}} \right\} \cdot {\eta _{{f_{ij}}}}$
     20  end
     21 根据式(19)更新信息素矩阵;根据式(15)—式(17),式(22)对
    $ \rho $, $ \partial $, $ \beta $, $\zeta $进行更新
     22 end
     23 多次迭代后得到近似最优的SFC部署方案${\rm De}{{\rm p}_{{\rm SF}{{\rm C}_i}}}$
     24  \*计算服务功能链VNF平均调度时延*\
     25   for $ i=1:I$ do
     26    根据式(6)计算平均端到端时延$ {\tau _i}$
     27   end
    下载: 导出CSV

    表 4  仿真参数

    仿真参数仿真值
    网络切片业务数量3
    短周期时长10 s
    长周期时长4 h
    数据包到达过程泊松分布
    数据包到达速率[50, 100]个/s
    数据包大小指数分布
    队列缓存大小10 MB
    数据训练窗口8
    神经元个数10
    仿真时间24 h
    学习率0.01
    下载: 导出CSV
  • 加载中
图(8)表(4)
计量
  • PDF下载量:  87
  • 文章访问数:  2956
  • HTML全文浏览量:  881
文章相关
  • 通讯作者:  周钰, 137068966@qq.com
  • 收稿日期:  2018-09-18
  • 录用日期:  2019-02-20
  • 网络出版日期:  2019-03-21
  • 刊出日期:  2019-09-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章