高级搜索

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

唐伦 赵培培 赵国繁 陈前斌

引用本文: 唐伦, 赵培培, 赵国繁, 陈前斌. 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[J]. 电子与信息学报, 2019, 41(6): 1397-1404. doi: 10.11999/JEIT180666 shu
Citation:  Lun TANG, Peipei ZHAO, Guofan ZHAO, Qianbin CHEN. Virtual Network Function Migration Algorithm Based on Deep Belief Network Prediction of Resource Requirements[J]. Journal of Electronics and Information Technology, 2019, 41(6): 1397-1404. doi: 10.11999/JEIT180666 shu

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

    作者简介: 唐伦: 男,1973年生,教授,博士,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;
    赵培培: 女,1993年生,硕士生,研究方向为5G网络切片映射算法;
    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,研究方向为个人通信、下一代移动通信网络、异构蜂窝网络等
    通讯作者: 唐伦,tangl@cqupt.edu.cn
  • 基金项目: 国家自然科学基金(61571073),重庆市教委科学技术研究项目(KJZD-M201800601)

摘要: 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。

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]. Proceedings of the 84th Vehicular Technology Conference, Montreal, Canada, 2017: 1–5.

    2. [2]

      唐伦, 张亚, 梁荣, 等. 基于网络切片的网络效用最大化虚拟资源分配算法[J]. 电子与信息学报, 2017, 39(8): 1812–1818. doi: 10.11999/JEIT161322
      TANG Lun, ZHANG Ya, LIANG Rong, et al. Virtual resource allocation algorithm for network utility maximization based on network slicing[J]. Journal of Electronics &Information Technology, 2017, 39(8): 1812–1818. doi: 10.11999/JEIT161322

    3. [3]

      RAHMAN M M, DESPINS C, and AFFES S. Design optimization of wireless access virtualization based on cost & QoS trade-off utility maximization[J]. IEEE Transactions on Wireless Communications, 2016, 15(9): 6146–6162. doi: 10.1109/TWC.2016.2580505

    4. [4]

      QU Long, ASSI C, SHABAN K, et al. A reliability-aware network service chain provisioning with delay guarantees in NFV-enabled enterprise datacenter networks[J]. IEEE Transactions on Network and Service Management, 2017, 14(3): 554–568. doi: 10.1109/TNSM.2017.2723090

    5. [5]

      RIGGIO R, BRADAI A, HARUTYUNYAN D, et al. Scheduling wireless virtual networks functions[J]. IEEE Transactions on Network and Service Management, 2016, 13(2): 240–252. doi: 10.1109/TNSM.2016.2549563

    6. [6]

      LUIZELLI M C, BAYS L R, BURIOL L S, et al. Piecing together the NFV provisioning puzzle: Efficient placement and chaining of virtual network functions[C]. Proceedings of 2015 IFIP/IEEE International Symposium on Integrated Network Management, Ottawa, Canada, 2015: 98–106.

    7. [7]

      XIA Jing, CAI Zhiping, and XU Ming. Optimized virtual network functions migration for NFV[C]. Proceedings of 2016 IEEE International Conference on Parallel and Distributed Systems, Wuhan, China, 2016: 340–346.

    8. [8]

      ERAMO V, MIUCCI E, AMMAR M, et al. An approach for service function chain routing and virtual function network instance migration in network function virtualization architectures[J]. IEEE/ACM Transactions on Networking, 2017, 25(4): 2008–2025. doi: 10.1109/TNET.2017.2668470

    9. [9]

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

    10. [10]

      DEUTSCH J and HE D. Using deep learning-based approach to predict remaining useful life of rotating components[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 48(1): 11–20. doi: 10.1109/TSMC.2017.2697842

    11. [11]

      PATI J, KUMAR B, MANJHI D, et al. A comparison among ARIMA, BP-NN, and MOGA-NN for software clone evolution prediction[J]. IEEE Access, 2017, 5: 11841–11851. doi: 10.1109/ACCESS.2017.2707539

    12. [12]

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

    13. [13]

      MA Wenrui, MEDINA C, and PAN Deng. Traffic-aware placement of NFV middleboxes[C]. Proceedings of 2015 IEEE Global Communications Conference, San Diego, USA, 2015: 1–6. doi: 10.1109/GLOCOM.2015.7417851.

    14. [14]

      CARUANA R. Multitask learning[J]. Machine Learning, 1997, 28(1): 41–75. doi: 10.1023/a:1007379606734

    15. [15]

      MASHINCHI M H, MASHINCHI M R, and MASHINCHI M. Tabu search solution for fuzzy linear programming[C]. Proceedings of the 7th IEEE/ACIS International Conference on Computer and Information Science, Portland, USA, 2008: 82–87.

    1. [1]

      唐伦, 杨恒, 马润琳, 陈前斌. 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. 电子与信息学报, 2019, 41(9): 2079-2086.

    2. [2]

      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. 电子与信息学报, 2019, 41(9): 2071-2078.

    3. [3]

      董书琴, 张斌. 基于深度特征学习的网络流量异常检测方法. 电子与信息学报, 2019, 41(0): 1-9.

    4. [4]

      杨宏宇, 王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法. 电子与信息学报, 2019, 41(10): 2373-2381.

    5. [5]

      袁野, 贾克斌, 刘鹏宇. 基于深度卷积神经网络的多元医学信号多级上下文自编码器. 电子与信息学报, 2019, 41(0): 1-8.

    6. [6]

      桑海峰, 陈紫珍. 基于双向门控循环单元的3D人体运动预测. 电子与信息学报, 2019, 41(9): 2256-2263.

    7. [7]

      冯浩, 黄坤, 李晶, 高榕, 刘东华, 宋成芳. 基于深度学习的混合兴趣点推荐算法. 电子与信息学报, 2019, 41(4): 880-887.

    8. [8]

      谢湘, 张立强, 王晶. 残差网络在婴幼儿哭声识别中的应用. 电子与信息学报, 2019, 41(1): 233-239.

    9. [9]

      张烨, 许艇, 冯定忠, 蒋美仙, 吴光华. 基于难分样本挖掘的快速区域卷积神经网络目标检测研究. 电子与信息学报, 2019, 41(6): 1496-1502.

    10. [10]

      唐伦, 周钰, 谭颀, 魏延南, 陈前斌. 基于强化学习的5G网络切片虚拟网络功能迁移算法. 电子与信息学报, 2019, 41(0): 1-9.

    11. [11]

      陈鸿昶, 吴彦丞, 李邵梅, 高超. 基于行人属性分级识别的行人再识别. 电子与信息学报, 2019, 41(9): 2239-2246.

    12. [12]

      王斐, 吴仕超, 刘少林, 张亚徽, 魏颖. 基于脑电信号深度迁移学习的驾驶疲劳检测. 电子与信息学报, 2019, 41(9): 2264-2272.

    13. [13]

      唐伦, 杨希希, 施颖洁, 陈前斌. 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. 电子与信息学报, 2019, 41(1): 16-23.

    14. [14]

      吴仁彪, 赵婷, 屈景怡. 基于深度SE-DenseNet的航班延误预测模型. 电子与信息学报, 2019, 41(6): 1510-1517.

    15. [15]

      田俊峰, 屈雪晴, 何欣枫, 李珍. 基于哈希图的虚拟机实时迁移方法. 电子与信息学报, 2019, 41(0): 1-8.

    16. [16]

      兰巨龙, 于倡和, 胡宇翔, 李子勇. 基于深度增强学习的软件定义网络路由优化机制. 电子与信息学报, 2019, 41(11): 2669-2674.

    17. [17]

      王鑫, 李可, 宁晨, 黄凤辰. 基于深度卷积神经网络和多核学习的遥感图像分类方法. 电子与信息学报, 2019, 41(5): 1098-1105.

    18. [18]

      张小恒, 李勇明, 王品, 曾孝平, 颜芳, 张艳玲, 承欧梅. 基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究. 电子与信息学报, 2019, 41(7): 1641-1649.

    19. [19]

      黄开枝, 潘启润, 袁泉, 游伟. 一种侧信道风险感知的虚拟节点迁移方法. 电子与信息学报, 2019, 41(9): 2164-2171.

    20. [20]

      胡宇翔, 范宏伟, 兰巨龙, 段通. 一种支持硬件加速的虚拟网络功能部署模型. 电子与信息学报, 2019, 41(8): 1893-1901.

  • 图 1  系统场景图

    图 2  基于在线学习的深度信念网络资源需求预测流程图

    图 3  多任务SFC学习模式

    图 4  含两个隐藏层的DBN资源需求训练图

    图 5  CPU资源需求DBN预测值与真实值趋势对比图

    图 6  CPU资源需求BP-NN预测值与真实值趋势对比图

    图 7  两种学习方式的CPU预测均方根误差对比图

    图 8  两种学习率方式的RBM重构误差曲线

    图 9  不同算法系统开销对比图

    图 10  不同阈值的系统开销对比图

    图 11  不同节点的CPU利用率示例图

    图 12  不同算法的违例次数对比图

    表 1  基于拓扑感知的动态局部迁移算法(TPLDM-DBN)

     算法1 基于拓扑感知的动态局部迁移算法(TPLDM-DBN)
     输入:过载的物理节点${S_s}$以及它上面的VNF集合VNFList
     输出:需要迁移的${\rm{VN}}{{\rm{F}}_m}$和迁移的目标物理节点${S_d}$
      ${C_{\rm min}}[1,2,·\!·\!·,|{\rm{VNF}}|]$表示VNFList中每个虚拟机上的
    ${\rm{VN}}{{\rm{F}}_i}$最小的系统开销
      $D[1,2,·\!·\!·,|{\rm{VNF}}|]$: ${D_i}$表示给${\rm{VN}}{{\rm{F}}_i}$带来最小系统开销最小
    的物理节点
     (1) ${C_{\rm min}} \leftarrow \infty $
     (2) for each ${\rm{VN}}{{\rm{F}}_i} \in {\rm VNFList}$ do
     (3)  For each ${S_j} \in S$ do
     (4)    If ${\rm{Check}}\_{\rm{constraints}}({\rm{VN}}{{\rm{F}}_i},{S_j}) = {\rm False}$
     (5)      Continue;
     (6)    endif
     (7)      Add ${S_j}$ to ${S_{{\rm{VN}}{{\rm{F}}_i}}}$
     (8)    Endfor
     (9)    对于选出的符合资源约束的物理节点集合${S_{{\rm{VN}}{{\rm{F}}_i}}}$,通
    过拓扑感知计算出${\rm{VN}}{{\rm{F}}_i}$迁移的最小系统开销${C_i}$,并
    将迁移的目标物理节点用${D_i}$表示
     (10)    If ${C_i} < {C_{\rm min}} $ and $ {D_i} \ne {S_s}$ then
     (11)      $\begin{array}{l}{C_{\rm min}} \leftarrow {C_i}\\{\rm{VN}}{{\rm{F}}_m} \leftarrow {{\rm VNF}_i}\\{S_d} \leftarrow {D_i}\end{array}$
     (12)    Endif
     (13)  Endfor
     (14)  Return $({\rm{VN}}{{\rm{F}}_m},{S_d})$
    下载: 导出CSV

    表 2  基于拓扑感知的动态全局迁移算法(TPGDM-DBN)

     算法2 基于拓扑感知的动态全局迁移算法(TPGDM-DBN)
     (1) 输入所有过载的物理节点集合SList以及它们上面的VNF集合 VNFList:
     (2) for each ${S_i} \in {\rm SList}$ do
     (3) 执行算法1选出迁移的VNF
     (4) while ${S_i}$仍然过载
     (5)  继续执行算法2选出系统开销次小的VNF进行迁移
     (6) Endwhile
     (7) Endfor
     (8) 输出需要迁移的VNF集合以及相对应的目标迁移物理节点
    下载: 导出CSV

    表 3  基于禁忌搜索的迁移优化算法(TADM-DBN)

     算法3:基于禁忌搜索的迁移优化算法(TADM-DBN)
     (1) 初始解: $Z = {Z_0},{Z^*} = {Z_0},T = \phi $,定义特赦值为
    $A({Z^*}) = C_{{\rm tot}}^t({Z^*})$
     (2) While 不符合终止准则 do
     (3)  产生$N(Z)$的一个候选集W,在候选集中选取最优解
    ${X^*}$,更新$C_{{\rm tot}}^t({X^*})$
     (4)  If $C_{{\rm tot}}^t(X) < A({Z^*}),X \in T\,$且$C_{{\rm tot}}^t(X) < C_{{\rm tot}}^t({X^*})$
     (5)   令${X^*} = X$
     (6)   更新$C_{{\rm tot}}^t({X^*})$
     (7)  Endif//破禁检查
     (8)  If $C_{{\rm tot}}^t({X^*}) < C_{{\rm tot}}^t({Z^*})$
     (9)   ${Z^*} = {X^*},C_{{\rm tot}}^t({Z^*}) = C_{{\rm tot}}^t({X^*}),A({Z^*}) = C_{{\rm tot}}^t({Z^*})$
     (10)  Endif;
     (11)  更新禁忌表$T\;$, $T = T \,\cup {X^*}$
     (12)  令$Z = {X^*}$
     (13) Endwhile
     (14) Return ${Z^*}$
    下载: 导出CSV
  • 加载中
图(12)表(3)
计量
  • PDF下载量:  38
  • 文章访问数:  331
  • HTML全文浏览量:  167
文章相关
  • 通讯作者:  唐伦, tangl@cqupt.edu.cn
  • 收稿日期:  2018-07-05
  • 录用日期:  2019-01-28
  • 网络出版日期:  2019-02-19
  • 刊出日期:  2019-06-01
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