[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

说明书

本发明提出了一种节能的云‑边弹性光网络中计算任务链部署方法，用以解决云边计算网络中任务链的部署映射优化不能满足需求，能源消耗较大的问题。本发明包括业务的部署和能耗模型；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。本发明通过强化学习不断地更新网络，输出的动作策略能选择出能源消耗更低的业务部署方案，降低业务部署过程中网络中的CPU、端口、放大器和收发机的能源消耗，从而降低网络的总能耗。

技术领域

本发明涉及弹性光网络和云-边通信的技术领域，尤其涉及一种节能的云-边弹性光网络中计算任务链部署方法，当弹性光网络作为边缘节点和云数据中心的通信设施时，使用深度强化学习进行节能的计算任务链部署。

背景技术

随着人工智能、物联网(IoT)以及更多应用(CloudVR、车联网等)的出现，不同于提供视频流量服务，这些服务的提供需要基于大量的计算。云计算在面对大量计算请求时可能无法满足延迟。借助边缘计算，可以满足计算的延迟要求。因此，云边缘计算可以提供高质量、低延迟的计算服务。

弹性光网络(Elastic Optical Network,EON)是一种很有前途的用于边缘节点和云数据中心之间通信的网络基础设施，将底层物理网络中的资源抽象到云-边计算的资源池中，再对虚拟网络进行资源分配和管理，能够提供灵活、高效的服务。

通常，云边缘计算网络中的请求采用计算任务链(CTC)的形式，它结合了多个子计算任务(sCT)。计算任务链在运行时按需提供所需的服务，它对能耗有直接影响，取决于这些计算任务链被映射到哪里，因为物理机的能耗取决于其流量负载。

为了降低网络的能源消耗，则需要对部署过程进行优化。CPU有不同负载等级，这与不同的映射位置有关，其能耗可优化。放大器也与不同的映射位置有关，如果映射的起点和终点相距较远，则中间路径的放大器能耗就会很大。如果映射很近的点则也可能会引起近的点的CPU负载高,CPU能耗值增加。端口和收发机这两部分通过复用以降低能耗。

网络总能耗主要由四部分组成：CPU、端口、收发器和放大器，首先对这四部分的能耗进行建模：

CPU：使用以下公式计算云边缘节点的CPU能耗。首先，将CPU设置为具有睡眠和活动的状态。当节点在t时刻未部署CTC时，CPU处于休眠状态，在当前时间t，如果节点有CTC部署，则根据公式(1)计算当前节点消耗的能耗值，其中，X_nr代表是否部署了CTC，C′_r是处于激活状态的节点处理的每个请求所需的计算资源，表示CPU的基本消耗，表示不同负载等级下的能源消耗值，表示当前所有请求，r为请求集合中的一个请求。根据公式(2)计算所有节点CPU的总能耗值，其中，表示CPU休眠状态下的能耗值，N是节点集合，n是某一个节点，R是请求的计算任务链集合，r^t是计算任务链集合中的一个请求。

端口：认为400Gbps的基础能耗为560W，端口能耗用表示。根据公式(3)计算所有端口的总能耗。其中，取值为0或1，代表是否有链路部署；是端口休眠状态下的能耗值；P是底层链路集合，p是其中的一条链路；R_l是请求的链路集合，是其中的一条链路。

收发机：能耗取决于业务请求的线速度，对于每一个线速率单位，能耗为1.683W(参数η＝1.683W/Gbps)，计算公式如(4)所示。其中，B表示传输速率。根据公式(5)计算所有收发机的总能耗。取值为0或1，代表是否有链路部署，是收发机在休眠状态下的能耗值。