[发明专利]一种节能的云-边弹性光网络中计算任务链部署方法

权利要求书

1.一种节能的云-边弹性光网络中计算任务链部署方法，其特征在于，包括业务的部署和能耗模型；所述业务的部署两个阶段：第一阶段是深度强化学习的输出策略为每个子任务选择映射的节点；第二阶段是按子任务的逻辑顺序，通过改进的最短路径TMR-MSP-EF算法为子任务寻找相互连接的路径，选择子任务之间的路径的连接；所述能耗模型描述弹性光网络中各个设备组件的能耗计算。

2.根据权利要求1所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述能耗模型中各个设备组件包括CPU、端口、收发机和放大器。

3.根据权利要求1所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述改进的最短路径TMR-MSP-EF算法的策略是在最短路径的基础上，每次进行频谱分配时，选择最接近请求数量的空闲频槽块进行区域分配；所述深度强化学习的输出策略的模型采用强化学习结合图卷积神经网络，图卷积神经网络作为深度强化学习中的学习代理；所述图卷积神经网络不断与环境交互，减少能耗模型中完成业务部署消耗的总能耗值。

4.根据权利要求1-3中任一项所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，当一个包含子任务的计算任务链请求R＝(Nv，Lv，Rn，Rl)到达时，其中，Nv和Lv是子任务的节点和虚拟链路的集合，而Rn和Rl分别表示子任务所请求需要的节点和链路资源；代理从底层网络环境中获取特征，输入图卷积神经网络得到各个子任务部署映射动作；根据代理的动作执行结果计算奖励值；根据损失函数更新图卷积神经网络的参数；如果迭代训练没有结束，则循环上述步骤，根据网络状态、动作、奖励值不断更新图卷积神经网络的参数，进行策略动作的优化。

5.根据权利要求4所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，作为学习代理的2层的图卷积神经网络负责生成节点嵌入策略，图卷积神经网络输出的动作的概率分布选择动作策略。

6.根据权利要求5所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述图卷积神经网络将代理动态获取的当前环境中的节点的特征进行处理，获得相应顶点嵌入动作的概率分布，根据概率分布进行相应动作的选择；在每次的交互中，由奖励的反馈和策略梯度的更新来不断优化图神经神经网络中的参数，使图神经神经网络能做出更好的节点嵌入策略。

7.根据权利要求4、5或6所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述节点的特征包括5个特征属性：节点CPU的能耗、节点已占用的计算能力、节点端口的能耗、节点收发器的能耗和部署节点之间的平均距离；经过第一层图神经神经网络后，输出形状为[Size(N)，2]；经过第二层图神经神经网络后，输出f_n的输出形状为[Size(N)，1]，Size(N)表示节点的数量；最后输出f_n再经过Softmax层，得到输出的策略动作Ac_n，得到各个子任务部署映射位置的概率。

8.根据权利要求7所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述策略动作Ac_n为：

其中，P(π|n)表示所有节点的概率值集合，表示节点i被选择概率的大小；Softmax表示归一化指数函数，使得每一个元素的范围都在(0，1)之间，并且所有元素的和为1；f(n)表示图卷积神经网络的输出。

9.根据权利要求4或8所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述奖励值Re_n的计算为：

其中，E是当前计算任务链部署在每个时间戳t产生的总能耗，B和C是常数。

10.根据权利要求9所述的节能的云-边弹性光网络中计算任务链部署方法，其特征在于，所述图卷积神经网络的损失函数为L_n(θ_n)＝(Ac_n*Oc_n)×Reward^T；

其中，*是点乘，×是矩阵乘，T是矩阵转置，Ac_n为策略动作；

节点占用率集合是每个节点在当前时间t的资源占用率，且每个节点得到的奖励的集合Reward＝[Re₁，Re₂……，Re_n]；

其中，N_Capacity＝{ncp¹，ncp²，ncp³，..，ncpⁱ}，ncpⁱ是每个节点提供的计算资源；NOc_{cupied_Capacity}＝{noc¹，noc²，noc³，..，nocⁱ}，nocⁱ为每个节点占用的计算资源。