[发明专利]基于熵权法的多线程的虚拟网络映射和性能调节方法

说明书

本发明公开了一种基于熵权法的多线程的虚拟网络映射和性能调节方法，属于网络映射领域，包括：为多个级别的虚拟网络请求设置差异化服务质量放宽系数，将QoS指标考虑进虚拟网络请求中，为不同QoS需求的VNR提供不同层级的服务质量保证，从而实现在保证请求成功率的基础上保证VNR的服务质量。将多个级别的虚拟网络请求输入训练好的节点映射策略评估网络进行节点和链路映射，得到多个级别的虚拟网络请求的初步映射结果，通过熵权法对初步映射结果进行分析，实现动态调节服务接受率，资源利用率和QoS损失率之间平衡。采用的多线程的异步优势演员评论家算法对网络进行训练，并使用模型完成映射，在优化节点映射的同时优化了链路映射。

技术领域

本发明涉及网络映射技术领域，特别涉及一种基于熵权法的多线程的虚拟网络映射和性能调节方法。

背景技术

在网络虚拟化环境中，网络终端用户对应用程序的需求以虚拟网络请求(VirtualNetwork Requests，VNRs)的形式呈现。SP负责发送VNR。其目的是希望InP能够分配足够的底层网络资源来满足需求。

机器学习(ML)算法在虚拟网络嵌入(Virtual Network Embedding，VNE)中的运用也获得了极大的成果，机器学习算法能够处理随时采集的大量数据，并自动学习数据处理中的统计信号并作出分析或预测。在互联网产生的初期，由于设计者们并未注意差异化服务质量(QoS)的使用，传统的互联网模式也只能是尽力而为的交付方式。所以，在后来互联网的运行过程中，经常出现大量丢失数据包，互联网延时大，传输程序错误和吞吐量不平衡的情况现象。具有差异化服务质量(QoS)的VNE算法可能具有较高的实时性要求，因此具有时间敏感性。现有的算法通常会忽略这个问题。大约百分之九十的网络流量都是基于对QoS敏感的应用程序而产生的。QoS的应用流程广泛，如IP通话(VoIP)，实时网络和视频会(Skype，WebEx)以及网络游戏等，尽管普及度已提高，但不同的应用对QoS的敏感性也各有不同。为了应对频繁变化的网络需求，针对不同种类网络请求应设置不同的映射方案，动态地解决虚拟网络映射问题。

强化学习是计算机知识应用中的经典应用，在应对复杂问题上展现出巨大优势。强化学习借助agent通过“试错”的方式来和现实环境的互相操作，从而寻求最优化方法，从而实现通过agent获取最大利润的目标目的。现有的QoS感知的VNE算法都只考虑了时延，因此QoS度量指数都较低；并且对每个虚拟网络请求一致对待，从而造成了最低的请求接收量和最高资源使用率。

现有的与VNE结合的强化学习算法在模型训练时通常需要采用像训练神经网络一样的训练策略评估网络。误差逆向传输(BackPropagation，BP)练习计算是目前最广泛的的一个神经网络训练计算，但Policy Gradient往往采用的回合更新，用来减少传统策略梯度方案和神经网络组合时产生的不确定性，以及各类深度决策梯度方案(如DDPG、SVG等)也引入了经验的原因以减少训练结果之间的关联。但是，经验回放方式又面临着二个困难:1、agent们和环境之间的每个信息交换过程都必须消耗很大的存储器和计算力。2、经验回放方式还要求agent们通过off-policy方式来完成学习，而通过off-policy方式又可以对旧策略所产生的信息进行更新。

发明内容

本发明提供一种基于熵权法的多线程的虚拟网络映射和性能调节方法，以解决虚拟网络映射中映射结果不均衡，服务质量约束单一的问题。