没有合适的资源?快使用搜索试试~ 我知道了~
虚拟网络功能资源容量自适应调整方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 77 浏览量
2023-02-23
20:03:20
上传
评论
收藏 802KB DOCX 举报
温馨提示
试读
17页
虚拟网络功能资源容量自适应调整方法.docx
资源推荐
资源详情
资源评论
1. 引言
网络功能虚拟化(Network Function Virtualization, NFV)实现了传统网络功能与专用硬
件的解耦,从专用网络设备中抽象出软件化的虚拟网络功能(Virtualized Network Function,
VNF),推动了网络服务部署模式的根本性转变—由僵化的“网元”部署模式转向相对灵活的
切片部署模式
[1]
。在基于网络切片的部署模式中,服务提供商通过创建一组有序的 VNF 集
合为租户提供定制化的网络服务,并通过 NFV 管理和编排模块(Management And
Orchestration Module, MANO)动态调整 VNF 集合占用的资源容量,实现物理资源(计算、内
存和磁盘资源等)的动态按需分配
[2]
。以物理资源“按需分配”为目标,文献[3]提出了 VNF
资源容量调整的概念,并设计了基于 VNF 重映射的解决方案。文献[4]总结了现有的 VNF
资源容量调整方法,并将其分为以下两种类型
[4]
:(1)基于流量预测的调整方法
[5-10]
,通过预
测 VNF 集合输入流量的变化趋势,预判其中 VNF 实例数量的变化,提前部署或移除相应
的 VNF 实例实现资源容量调整。(2)基于在线优化理论的调整方法
[11-14]
,在流量不可预测
的场景中,利用在线优化模型(如 Ski-rental 模型)求解局部最优的容量调整策略。本文主要
针对基于流量预测的 VNF 资源容量调整方法进行研究。
文献[5]分析并提取了运营商云数据中心网络的流量特征,设计了一种基于深度神经网
络的流量预测算法,并结合预测数据提出了一种基于整数规划的 VNF 资源容量调整方法。
文献[6]提出了一种面向 5G 核心网上行链路场景的流量预测方法,该方法通过分析流入无
线接入和移动性管理功能(Access and Mobility management Function, AMF)上行链路的流量
数据提取样本集,然后设计和训练循环神经网络实现流量预测。文献[7]提出了一种轻量级
的流量预测方法,引入 K 均值和蒙特卡罗方法加快循环神经网络的训练过程,提高训练效
率,降低预测方法的时间复杂度。文献[8]针对流量预测准确度较低的场景提出了一种预测
误差补偿方法,该方法利用在线学习算法最小化流量预测误差对 VNF 资源容量调整策略的
影响,降低了由预测误差带来的容量调整开销。文献[9]提出了一种基于排队模型的 VNF
资源调整方法,利用长短期记忆网络(Long Short Term Memory, LSTM)预测流量变化趋势,
并设计了一种基于最大最小蚁群算法的 VNF 动态部署方法,实现计算资源利用率最大化。
文献[10]提出了 VNF 资源容量调整过程中 VNF 性能和资源占用之间的均衡问题,并设计
了基于排队模型的启发式算法搜索最优解,在保证 VNF 性能的基础上最小化 VNF 集合占
用的物理资源。综合分析上述基于流量预测的 VNF 资源容量调整方法,其中电信网和云数
据中心场景下的流量预测算法已经有了相对完备的研究成果,但是相应的 VNF 部署方法仍
存在两方面缺陷:(1)无法根据流量预测结果准确预测 VNF 的资源需求。现有模型主要基
于相关函数法
[5-7,11]
建立流量预测结果与 VNF 资源需求之间的映射关系,但是由于许多类
型的资源利用存在长相关、重尾、非线性和多尺度等特征,上述方法难以根据流量预测结
果准确预测 VNF 的资源需求。(2)在容量调整的过程中未考虑如何减少 VNF 实例占用的服
务器数量。现有研究主要针对大规模电信云数据中心场景下的 VNF 容量调整问题,其系统
模型中采用 cross rack pipelined SFC 模式
[5]
部署服务功能链,即在某一机框中仅部署单一类
型的 VNF 实例,不同 VNF 之间通过机框外部的物理链路相互串联,组成服务功能链为租
户提供服务。cross rack pipelined SFC 模式的优点在于可以为 VNF 的扩容提供充足物理资
源,且便于 VNFM 统一管理编排各个类型的 VNF。但是对于中小规模的数据中心,由于
服务器数量较少,数据中心资源规划相对紧张,云平台无法为各个类型的 VNF 分配独立的
机框资源,服务提供商通常选择 SFC run-to-complete in a rack 模式部署 SFC,即在同一机
架内完成一条 SFC 的部署。由于该模式下的服务器资源相对短缺,需要研究如何在 SFC
run-to-complete in a rack 模式中协同部署不同规格的 VNFC 实例,减少 SFC 占用的服务器
数量,提高云平台的资源可用性。
针对已有研究存在的问题,本文提出一种 VNF 资源容量自适应调整方法,并采用
trace-dirven 方法
[15]
进行了仿真实验。该方法将真实云环境中获取的一系列观测数据输入仿
真程序,保证了实验结果的有效性。首先,我们从实验云数据中心的接入网关中获取输入
流量数据,并利用 LSTM 网络预测其变化趋势。然后在 OpenStack 日志文件中统计相应时
段各规格 VNF 实例的历史部署数据,结合流量预测结果设计多层前馈神经网络预测租户的
VNF 资源需求。该方法综合考虑了流量变化、资源需求变化和业务类型等因素对资源预测
准确度的影响,能够降低 VNF 资源需求预测的相对误差。最后基于 VNF 资源需求预测数
据,建立改进的二次分配模型描述 VNF 动态部署问题,并设计了一种动态编码遗传算法求
解该 NP 难问题。该算法能够根据资源需求的变化自适应地调整 VNF 的部署策略,减少
VNF 实例部署占用的服务器数量,提高物理资源的可用性。
2. 系统模型与优化目标
2.1 服务链部署模型和 VNF 资源容量调整问题
服务功能链是一组有序的 VNF 集合,在 NFV 平台上,服务提供商利用服务功能链技
术向租户提供端到端定制化服务。如图 1 所示,服务功能链的基本组件包含分类器、转发
器和 VNF 集合 3 部分。其中,分类器主要负责业务流量的接入控制和路由策略管理,转发
器负责流量解析、封装和转发,VNF 集合负责业务流量处理
[16]
。租户请求的业务流量通过
分类器进入服务功能链,根据分类器中的路由策略被转发至相应的转发器,再由转发器路
由至 VNF 集合进行业务数据处理,完成数据处理后业务数据将被依次转发至目的端分类
器,最终接入目的服务器。VNF 资源容量调整问题的研究目标:根据流经服务功能链的实
时流量自适应地调整 VNF 集合内实例的规格和数量,实现物理资源的按需分配,提高资源
利用率。如图 1 所示,VNF 资源容量调整问题可分为两个阶段:(1)生成资源需求,根据流
经服务功能链的流量数据预测未来的 VNF 资源需求,生成 VNF 资源需求视图,明确下一
个时间段需要生成的各个规格 VNF 实例的数量。(2)VNF 部署(映射),根据当前时刻物理
网络的全局视图,将 VNF 虚拟资源需求视图映射到底层物理网络,完成 VNF 实例化过
程。
图 1 服务功能链模型和 VNF 资源容量调整
下载: 全尺寸图片 幻灯片
2.2 优化目标
为了提高 NFV 平台物理资源的利用效率,本文针对 VNF 资源调整的两个阶段,提出
了相应的优化目标:(1)在生成资源需求阶段,降低流量预测误差对资源需求预测结果的影
响,提高 VNF 资源需求预测的准确度。(2)在动态部署阶段,实现 VNF 集合中所有实例的
集中化部署,减少 VNF 占用的服务器数量。
3. VNF 资源需求预测方法
为了提高 VNF 资源需求预测的精度,本节首先利用 LSTM 网络进行流量预测,然后
提出了一种基于多层前馈神经网络的资源需求预测方法,建立流量数据和资源需求数据之
间的映射关系模型,实现资源需求精确预测。
3.1 基于 LSTM 网络的流量预测
根据文献[5]在运营商云数据中心获取的测试数据,以 OpenStack 为代表的虚拟化云平
台完成虚拟机创建和迁移需要“分钟级”的准备时间,而 5G 网络服务的 QoS 要求运营商将
端到端时延降低到毫秒级
[17]
。在此背景下,依靠网络监控功能(如 OpenStack Ceilmeter)上报
的流量数据,实时调整 VNF 资源容量的“反应式”部署方法无法满足相关业务的时延需求。
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3903
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功