[发明专利]NFV资源分配方法

说明书

本发明提供一种NFV资源分配方法，方法包括：对NFV网络进行建模，构建网络模型，对所述NFV网络中的流量进行建模，构建流量模型；根据所述网络模型和流量模型对所述流量中数据包的处理过程和传输过程进行建模，根据所述处理过程和传输过程的建模结果，对所述数据包在处理过程和传输过程中的延时进行建模；根据预设约束条件和效用函数对所述延时的建模结果进行求解，获取所述流量的资源分配结果，以使所述延时最小。本发明基于排队理论对处理过程和传输过程中的延时进行建模，以评估数据包穿越嵌入式NFV链时端到端延迟，将与延迟相关的效用函数定义为分配策略的环境反馈，从而获取延时最小的资源分配结果。

技术领域

本发明属于网络功能虚拟化技术领域，尤其涉及一种NFV资源分 配方法。

背景技术

随着资源虚拟化带来的发展，网络功能虚拟化(Network FunctionsVirtualization，NFV)在网络基础设施的发展中发挥了核心作用。NFV 支持将网络功能(Network Functions，NF)与专有硬件设备分离，并 在最佳共享的物理基础架构之上灵活地配置虚拟网络功能(Virtual Network Functions，VNF)。一组VNF通过虚拟链接在一起以形成服 务功能链(Service Function Chaining，SFC)。通过在SFC中缩放VNF， NFV支持服务之间更灵活的资源分配方法。

由于对延迟敏感的服务，例如音频，视频和游戏服务的快速增长， 网络需要保证良好的延迟性能以保证可靠的网络服务。资源分配策略 直接影响网络延迟。对于嵌入式VNF链，CPU(Central Processing Unit， 中央处理器)和带宽资源在多个流之间的共享方法确定处理和传输速 率，从而影响平均E2E(End to End，端到端)数据包延迟。因此，最 小化延迟(Minimum Delay，MD)是NFV资源分配中值得考虑的问 题。但是，由于现代网络的复杂性和服务请求的随机到达，网络状态 和流量很难准确建模。在NFV网络中，资源分配问题仍然是一个挑战。 因此，需要一种动态的自适应分配方法来处理网络和服务请求的变化。

事实证明，深度强化学习(Deep Reinforcement Learning，DRL) 框架在解决此类动态问题方面具有很大优势，因为它能够根据与环境 交互的经验来确定最佳策略。在基于DRL的资源分配框架下，通过使 用端到端延迟功能作为环境反馈，可以获得具有最佳延迟性能的最优 资源分配策略。但是，由于资源分配空间属于连续域，因此基本DRL 技术不起作用。尽管已经提出了一种先进的方法，即异步优势参与者 评论(AsynchronousAdvantage Actor-Critic，A3C)用于连续控制，但 它在学习速度和鲁棒性方面仍然存在缺陷。

发明内容

为克服上述在NFV资源分配中考虑最小延迟时，网络状态和流量 建模困难，解决动态分配问题的学习速度慢和鲁棒性差的问题或者至 少部分地解决上述问题，本发明实施例提供一种NFV资源分配方法。

本发明实施例提供一种NFV资源分配方法，包括：

对NFV网络进行建模，构建网络模型，对所述NFV网络中的流 量进行建模，构建流量模型；

根据所述网络模型和流量模型对所述流量中数据包的处理过程和 传输过程进行建模，根据所述处理过程和传输过程的建模结果，对所 述数据包在处理过程和传输过程中的延时进行建模；

根据预设约束条件和效用函数对所述延时的建模结果进行求解， 获取所述流量的资源分配结果，以使所述延时最小。

优选地，对NFV网络进行建模，构建网络模型的步骤包括：

将所述NFV网络用无向图进行表示；

其中，将所述NFV网络中的物理节点作为所述无向图的顶点；

将每个所述物理节点用于处理所述数据包的资源总量作为所述顶 点对应的数据；