[发明专利]基于SDN和NFV分层式数据中心资源优化方法和系统

权利要求书

1.一种基于SDN和NFV的分层式数据中心资源优化方法，其特征在于，包括以下步骤：

步骤1，主控制层的编排与管理控制器MANO对客户端发起的请求编排生成对应的服务链，对编排生成的服务链以源目节点相同为特征进行分组；

步骤2，对分组后的服务链都过滤出带宽要求高出设定阈值的部分并标注为最高优先级，对剩余的服务链按照其对时延要求的高低降序排列并注明优先级；

步骤3，对于每组服务链计算出源节点到目的节点之间的前K条最短路径；

步骤4，主控制层的MANO控制器根据前K条最短路径制定每条服务链的映射策略；

步骤5，MANO控制器将制定的映射策略下发给基本控制层的SDN控制器，SDN控制器将映射策略转换成适合交换机处理的流表并下发给交换机执行；

主控制层的MANO控制器根据前K条最短路径制定每条服务链的映射策略，包括：

对分组中最高优先级的服务链优先映射到源目节点之间的最短路径上，剩余服务链的映射策略按照其优先级顺序采用协同进化的多种群竞争遗传算法CE-GA来制定，CE-GA算法采用生态多种群捕获竞争模型，从源目节点之间的较短的路径开始计算映射策略；

所述生态多种群捕获竞争模型如下：

其中,N_i是第i种群的大小,t表示进化的代数，W_i表示在不发生竞争的情况下,种群i的环境负荷量,r_i表示种群i的个体的最大瞬时增长率,a_ij是种群i和种群j的竞争系数，h_i为从种群i中捕获的个体数量或向种群i中加入的个体数量；

CE-GA算法，包括步骤：

步骤4-1)产生n个初始种群，初始种群包含N₀个染色体，N₀为常量，表示初始种群的规模，每条染色体代表一种映射方案，染色体的长度代表当前选取的最短路径上物理节点的个数；

步骤4-2)捕获操作：从非精英种群中捕获H个精英个体放入精英种群中；

步骤4-3)协同操作：根据生态多种群捕获竞争模型调整各个种群的规模，如果种群i的增长值为正值，通过随机产生个染色体加入种群来增大该种群的规模；如果种群i的增长值为负值，按照计算出来的适应度对种群排序，删除适应度量小的个染色体；

步骤4-4)遗传操作，n个种群分别进行以下两个操作：

交叉重组：染色体之间两两以给定的第一概率P_c,0P_c1进行单点交叉；

变异：每条染色体以给定的第二概率P_m,0P_m1进行变异；

步骤4-5)计算适应度，若算法达到最大的遗传迭代次数，则算法结束；否则转向步骤4-2)，进行种群的下一代进化。

2.根据权利要求1所述的基于SDN和NFV的分层式数据中心资源优化方法，其特征在于，采用的适应度函数为：

fit(x)＝α(Φ_max-Φ_chip)+β(l_x-D_p),α+β＝1(2)

其中，α,β为权重系数，Φ_max表示底层网络剩余资源的最大值，Φ_chip为构成资源碎片的节点的剩余节点资源之和；l_x表示第x条服务链的时延要求，D_p表示从前K条最短路径中的所选的物理映射路径的链路时延。

3.根据权利要求1所述的基于SDN和NFV的分层式数据中心资源优化方法，其特征在于，对排序后的每组服务链利用A-Star算法计算出源节点到目的节点之间的前K条最短路径；

对剩余的服务链按照其对时延要求的高低利用三路快速排序算法降序排列。

4.一种基于SDN和NFV的分层式数据中心资源优化系统，其特征在于，包括分布式协调框架ZooKeeper、主控制层和基本控制层；

分布式协调框架ZooKeeper，用于完成主控制层的MANO控制器状态同步；

主控制层包括若干个MANO控制器，其中包括一个推举出的主控制器和若干个从控制器；主控制器用于与基本控制层交互，其他从控制器作为辅助的控制器；主控制器与从控制器数据和状态一致；

基本控制层包括若干个SDN控制器，用于向主控制层更新交换机的资源信息和链路信息，以及向交换机分发映射策略对应的流表；

每个MANO控制器包括：服务链编排管理模块、全局网络拓扑资源管理模块、服务链映射策略生成模块；

每个SDN控制器包括：交换机节点资源监测模块、拓扑链路管理模块和交换机流表下发模块；

服务链编排管理模块：接收用户发起的请求，将用户的请求编排为对应逻辑服务链，对服务链按具有相同的源节点和目的节点进行分组，对分组后的服务链都过滤出带宽要求高出设定阈值的部分并标注为最高优先级，对剩余的服务链按照其对时延要求的高低降序排列并注明优先级；

全局网络拓扑资源管理模块：用于接收来自基本控制层的交换机节点资源监测模块上报的各交换机节点的剩余可用资源和接收拓扑链路管理模块上报的底层网络拓扑信息以及网络中链路的剩余带宽，获得全局的网络拓扑资源信息，将全局的网络拓扑资源的信息发送给服务链映射策略生成模块；

服务链映射策略生成模块：用于根据接收的全局的网络拓扑资源信息以及各用户请求的服务链及其对应的优先级生成服务链映射策略；

交换机节点资源监测模块：用于收集与SDN控制器直接交互的交换机节点剩余资源信息，并上传给MANO控制器的全局网络拓扑资源管理模块；

拓扑链路管理模块：负责收集端到端的链路拓扑信息和网络中链路的剩余带宽信息，并上传给MANO控制器的全局网络拓扑资源管理模块；

交换机流表下发模块：接收来自主控制层MANO控制器中服务链映射策略生成模块的服务链映射策略，并通过流表的形式将策略下发给与自己直接交互的交换机；

服务链映射策略为：对分组中最高优先级的服务链优先映射到源目节点之间的最短路径上，剩余服务链的映射策略按照其优先级顺序采用协同进化的多种群竞争遗传算法CE-GA来制定，CE-GA算法采用生态多种群捕获竞争模型，从源目节点之间的较短的路径开始计算映射策略；

所述生态多种群捕获竞争模型如下：

其中,N_i是第i种群的大小,t表示进化的代数，W_i表示在不发生竞争的情况下,种群i的环境负荷量,r_i表示种群i的个体的最大瞬时增长率,a_ij是种群i和种群j的竞争系数，h_i为从种群i中捕获的个体数量或向种群i中加入的个体数量；

CE-GA算法，包括步骤：

步骤4-1)产生n个初始种群，初始种群包含N₀个染色体，N₀为常量，表示初始种群的规模，每条染色体代表一种映射方案，染色体的长度代表当前选取的最短路径上物理节点的个数；

步骤4-2)捕获操作：从非精英种群中捕获H个精英个体放入精英种群中；

步骤4-3)协同操作：根据生态多种群捕获竞争模型调整各个种群的规模，如果种群i的增长值为正值，通过随机产生个染色体加入种群来增大该种群的规模；如果种群i的增长值为负值，按照计算出来的适应度对种群排序，删除适应度量小的个染色体；

步骤4-4)遗传操作，n个种群分别进行以下两个操作：

交叉重组：染色体之间两两以给定的第一概率P_c,0P_c1进行单点交叉；

变异：每条染色体以给定的第二概率P_m,0P_m1进行变异；

步骤4-5)计算适应度，若算法达到最大的遗传迭代次数，则算法结束；否则转向步骤4-2)，进行种群的下一代进化。