[发明专利]一种虚拟网络资源的部署方法和系统

说明书

本公开提供了一种虚拟网络资源的部署方法及系统，包括：获取虚拟网络资源相关数据；依据获取的虚拟网络资源相关数据和预设的虚拟网络资源部署模型，得到虚拟网络资源的部署方案；其中，所述虚拟网络资源部署模型在弹性通信网络中，以最小化部署成本和最小化信息年龄为优化目标，采用自适应的深度强化学习模型得到帕累托最优解，进行虚拟网络资源的部署；本公开利用多目标优化，能够得到部署成本和信息年龄同时较优的方案；利用自适应的深度强化学习模型，从而能够处理大量的数据，并且能够应对网络以及用户需求的动态变化。

技术领域

本公开属于虚拟网络技术领域，尤其涉及一种虚拟网络资源的部署方法和系统。

背景技术

伴随着网络普及到人们生活的方方面面，网络的规模也呈现成指数增长的趋势，而各地的用户需求形形色色，网络的状态也是呈现动态变化的，因而不确定性和多变性可能会成为当下的通信网络所面临的最大的困难。在这样的时代背景下，弹性通信网络应运而生。

针对于当下一些轻型的新兴运营商给很多核心电信业务带来了巨大的冲击的情况，以及传统意义上的通信产业中坚持的“高成本、高性能、高可靠”的“三高”发展理念已经不适应当下时代的发展需求。传统的基础网络通信总是采用一种软硬件垂直一体化架构，所以尽管它给网络更好的可靠性和刚性，但也带来了网络的高复杂性、高成本性以及低创新性。最严重的一点是，这种传统的基础网络架构限制了云计算在灵活动态利用以及分配资源时的发展，这也使得基础网络通信成本大大增加。因而，急需一种“去电信化”的网络变革的出现。在此背景下，网络功能虚拟化(Network Functions Virtualization，NFV)应运而生。

因此，部署NFV中的虚拟网络功能模块(VNF)就成了需要解决的问题，而其中的主要挑战是在NFV基础设施中所需网络服务的最佳资源配置。虚拟网络的功能配置和路由可以表述为一个数学优化问题，它涉及一组表示网络基础设施和服务契约约束的可行性约束。该问题已被报道为一个NP_Hard的问题，因此该领域的大部分优化工作都集中在设计启发式算法和元启发式算法上。

本公开发明人发现，对上述问题大部分研究都使用监督学习模型进行资源分配，这导致了许多模型无法在没有显著性能下降的情况下进行推广，也无法跟上网络的动态变化。

发明内容

本公开为了解决上述问题，提出了一种虚拟网络资源的部署方法和系统，本公开利用多目标优化，能够得到部署成本和信息年龄(age of information)同时较优的方案；利用自适应的深度强化学习模型，从而能够处理大量的数据，并且能够应对网络以及用户需求的动态变化。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本公开提供了一种虚拟网络资源的部署方法，包括：

获取虚拟网络资源相关数据；

依据获取的虚拟网络资源相关数据和预设的虚拟网络资源部署模型，得到虚拟网络资源的部署方案；

其中，所述虚拟网络资源部署模型在弹性通信网络中，以最小化部署成本和最小化信息年龄为优化目标，采用自适应的深度强化学习模型得到帕累托最优解，进行虚拟网络资源的部署。

进一步的，所述的弹性通信网络包括环境可感知、万物可互联、能力可调整、属性可变化和容量可伸缩特征。

进一步的，所述信息年龄，指描述信息的新鲜度，是捕获状态更新随机性的指标。

进一步的，所述自适应的深度强化学习模型，将深度学习与强化学习结合，实现从感知到动作的端到端的算法。

进一步的，所述帕累托最优解，是指在最小化部署成本和最小化信息年龄多目标背景下，在变量空间中不存在其他解优于拍累托最优解。

进一步的，进行虚拟网络资源的部署包括：