[发明专利]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

说明书

本发明涉及一种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，属于移动通信领域，包括步骤S1：针对切片网络中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；S2：为了实现自发的VNF迁移，实时监控虚拟网络功能或链路的资源使用情况，采用基于在线学习的自适应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；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；S4：提出基于禁忌搜索的优化方法进一步优化迁移策略。本发明的预测方法不仅加快了训练网络的收敛速度，而且有很好地预测效果，与迁移方法结合在一起有效地降低了系统开销和服务等级协议违例次数，提高了网络服务的性能。

技术领域

本发明属于移动通信技术领域，涉及一种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。

背景技术

目前移动网络行业正在迅速向5g演进，“移动宽带增强”、“大规模物联网”、“低时延高可靠通信”三大类新应用领域将发挥重要作用。5g网络具有很高的灵活性来应对移动运营商的业务变化，特别是网络功能虚拟化概念的提出使得基础设施能够灵活地满足垂直应用需求的多样化。网络切片是无线虚拟网络中灵活配置资源的技术，可以快速部署和集中管理。它主要是借助软件定义网络(Software Defined Network,SDN)和网络功能虚拟化(Network FunctionVirtualization,NFV)技术，将有限的物理资源经过分割和重组，形成逻辑上相互独立的虚拟网络资源供各个切片网络使用，以此实现网络资源的重复高效利用，减少运营商的成本投入和运营支出，为租户提供更好质量的同时提高了网络资源的利用率。在切片网络中，每个业务请求由一些不同的虚拟网络功能(VirtualNetworkFunction,VNF)组成，这些网络功能互联起来称为服务功能链(ServiceFunctionChaining,SFC)。目前为止，大多数发明如研究SFC的部署问题，没有考虑到SFC的资源需求动态变化问题，当SFC资源需求超过底层节点的负载阈值时，会造成服务性能下降，严重者会导致SFC服务失效，这就需要实时的迁移出过载底层节点的VNF到其他负载较低的节点上来保障SFC服务的服务级别协议(Service Level Agreement,SLA)，虚拟网络功能(虚拟链路)动态迁移过程需要花费一定的时间，消耗一定的资源，这些会引起不同程度的系统开销。当底层节点(链路)已经成为资源热点时再进行虚拟网络功能的迁移，会存在滞后性的缺陷，甚至可能由于资源不够造成动态迁移的失败，并且会增大迁移过程的系统开销。所以实时迁移机制应该根据历史的资源使用状态对未来的资源需求量进行预测，提前得知潜在的资源热点进行迁移。而目前关于SFC迁移的发明忽略了这点。大多数发明没有考虑迁移的滞后性以及重构时的系统开销，方法也没有进一步优化。

为了解决迁移的滞后性问题，可行的方法是采用主动式的预测机制。已有发明证明了神经网络技术可以很好的预测资源特征与资源需求之间的关联关系，虽然表明了神经网络预测精度要高于传统统计学模型，但没有涉及神经网络在预测过程中存在的训练周期长、收敛速度慢和容易陷入局部极小点等问题。而深度信念网络(Deep BeliefNetwork,DBN)作为深度学习的经典方法之一，由受限制的玻尔兹曼机(Restricted BoltzmannMachine,RBM)概率模型堆叠而成。采用逐层训练的方式解决了其他神经网络需要大量标签数据，不具有解决小样本问题的能力以及随着层数的增加，模型会很快陷入局部最优解的问题，此外，逐层用玻尔兹曼机预训练的时候就为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。另外，由于受限玻尔兹曼机是一个生成模型，它可以充分利用大量的非标签数据，预训练的时候是对不含标签的数据本身进行建模，隐藏层训练完以后可以看做是数据的特征，这样如果将多个RBM堆叠起来就会起到提取数据非线性特征的效果。基于上述的优势，本发明采用深度信念网络来预测SFC的资源需求量。根据资源需求的非线性特性，利用其强大的特征提取能力，从大量数据中自动提取资源需求特征进行训练，并根据实时更新的数据进行在线学习，从而制定相应的迁移策略。

发明内容