[发明专利]基于故障预测的VNF迁移方法及装置

说明书

本发明提供了一种基于故障预测的VNF迁移方法及装置，包括：基于BP神经网络的物理节点故障预测模型预测未来时刻边缘网络中物理节点的故障情况；基于所述故障预测模型确定的预测结果、节点成本及链路成本构建VNF实例迁移优化模型，并基于所述VNF实例迁移优化模型将故障节点上的VNF实例迁移至正常节点。本发明能够在VNF实例实际发生故障前，基于BP神经网络的物理节点故障预测模型预测未来时刻网络中节点的故障情况，从而提前将故障节点上的VNF实例迁移至正常节点上，保障服务持续正常运行。

技术领域

本发明涉及通信技术领域，尤其涉及一种基于故障预测的VNF迁移方法及装置。

背景技术

移动边缘计算MEC作为增强和扩展计算能力的一种技术，通过在边缘网络上安装小型资源有限的云基础设施提供业务所需的资源，使得处理业务数据回路较短，服务响应较快，有效减轻云端压力。

在移动边缘网络场景中，结合NFV与边缘计算技术，采用虚拟资源分配机制提供业务所需资源。NFV采用一种更灵活的网络配置方式，用在虚拟化环境中运行的软件实例(VNF实例)取代专用的硬件实现，这使得网络资源的分配更具可扩展性和弹性，为网络功能提供更高效、灵活的管理和运行机制，从而大大降低总体成本。

高可用性对于边缘网络至关重要，目前提出的虚拟资源故障保护机制大多都存在滞后性问题，即在出现故障后进行VNF实例的迁移，这会导致服务中断，给用户带来不好的使用体验。此外，目前一些有关VNF实例迁移的解决方案，如整数线性规划和启发式算法，它们要么解决方案的搜索空间庞大，要么需要手动考虑最佳的VNF资源大小和位置，这些缺点限制了它们在复杂网络中的应用。因此，在服务可用性要求严格和网络日益复杂的今天，如何更加有效得实现虚拟资源故障保护和VNF实例迁移是亟待解决的问题。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种基于故障预测的VNF迁移方法及装置。

第一方面，本发明实施例提供一种基于故障预测的VNF迁移方法，包括：

基于BP神经网络的物理节点故障预测模型预测未来时刻边缘网络中物理节点的故障情况；

基于所述故障预测模型确定的预测结果、节点成本及链路成本构建VNF实例迁移优化模型，并基于所述VNF实例迁移优化模型将故障节点上的VNF实例迁移至正常节点。

进一步地，所述基于所述VNF实例迁移优化模型将故障节点上的VNF实例迁移至正常节点，具体包括：

基于深度强化学习的VNF迁移算法确定VNF实例的迁移方案将故障节点上的VNF实例迁移至正常节点；其中，所述VNF迁移算法为面向成本和优先级确定的求解算法。

进一步地，所述基于BP神经网络的物理节点故障预测模型为：将物理节点硬盘的SMART特征数据作为输入数据，以及与所述物理节点硬盘的SMART特征数据对应的故障预测结果作为输出数据，基于深度学习算法训练得到的模型。

进一步地，还包括：

采用第一关系模型确定误分类成本；并将所述误分类成本作为所述故障预测模型的评价指标；其中，所述第一关系模型为：

Cos t_mis＝Cos t₁*Num_FP+Cos t₂*Num_FN

其中，Cos t_mis表示误分类成本，Num_FP表示预测为故障真实为正常的样本数量，Num_FN表示预测为正常真实为故障的样本数量，Cos t₁表示将正常硬盘误分类为故障硬盘引起的损失，Cos t₂表示将故障硬盘误分类为正常硬盘引起的损失。