[发明专利]一种基于状态感知的网络切片故障愈合方法

权利要求书

1.一种基于状态感知的网络切片故障愈合方法，其特征在于：该方法包括以下步骤：

S1：建立基于状态感知的虚拟化网络功能VNF愈合策略选择方法；

S2：建立基于最小化愈合开销的迁移开销计算模型；

S3：建立基于强化学习DQN的VNF迁移学习方法；

VNF愈合策略选择方法具体为：

首先，采用基于CNN-GRU网络的故障检测方法检测VNF是否异常；将经过预处理的VNFs观测数据作为输入，采用CNN网络提取特征，并将提取的特征输入GRU预测网络的未来工作状态值；通过计算预测值与真实值之间的重构误差来计算异常分数，并通过判定重构误差是否大于一定阈值，来判定各VNF是否处于故障状态；

其次，根据物理节点上VNF的故障状态信息计算物理节点的异常指数Θ，并根据Θ是否超出异常阈值Θ_Thr判定物理节点是否处于异常情况；Θ＞Θ_Thr为异常，反之为正常；

定义物理节点异常指数Θ，以及物理节点异常指数的阈值Θ_Thr：

其中，|A|代表物理节点m上故障VNF的个数，|m|是物理节点m上VNF的个数；

当Θ＞Θ_Thr时，认为物理设备发生了故障，导致物理节点处于不可用的严重异常状态，处于保障网络可靠性及QoS的考虑，当前物理节点无法继续提供服务，此时异常物理节点上的所有VNF需要立即迁移以实现网络切片中SFC的自愈合；

若Θ＜Θ_Thr，物理节点上处于性能下降阶段或正常状态，VNF的故障是由软件运行问题或VNF所需资源不足原因造成的；为精确的确定VNF愈合策略，避免无效的VNF迁移所带来的开销问题，考虑物理节点资源使用情况对VNF故障的影响；

定义SFC中VNFi的CPU资源需求和内存资源需求分别为和物理节点m的CPU资源与内存资源分别为和则物理节点m的CPU负载与内存负载为与

其中，SFC中每个VNFi的CPU资源需求和内存资源需求分别为和θ_i,m为二进制变量，θ_i,m＝1表示VNFi部署在底层物理节点m上，θ_i,m＝0表示VNFi不部署在底层物理节点m上；设定阈值与当或时，物理节点m处于资源过载的状态；

当物理节点上的资源使用情况处于过载状态时，此时VNF的故障是由资源不足引起的，考虑到网络的负载均衡，选择迁移故障的VNF；

当物理节点处于正常负载状态时，在当前物理节点进行故障VNF的愈合，实施虚拟机重启和资源重分配措施；

最后，根据愈合策略选择方法，获得待迁移的VNF列表与故障的物理节点列表，并将其相关信息发送至NFVMANO处，并根据最新的实时网络拓扑结构与网络状态信息，在NFV MANO处运行VNF迁移算法，确定待迁移VNF的迁移策略；

迁移开销计算模型的建立具体为：

在网络切片愈合中，愈合开销来自网络重配置开销与VNF状态迁移开销；网络重配置开销指控制器选择迁移目的节点和链路，完成链路与节点配置产生的开销；VNF状态迁移开销是VNF状态数据从异常物理节点迁移到目的节点的开销；

给出网络重配置时长T_C和状态迁移时长T_T的定义，其中重配置时长T_C由网络的规模和计算能力决定；VNF状态迁移的数据量来源于内存数据的迁移，将VNF的状态迁移时长定义为待迁移VNF内存数据与可用网络带宽的比值，将VNFi从底层物理节点m迁移到n的迁移实施时长为：

其中，为η_p最大的路径上的剩余可用带宽，η_p为路径p的效率，定义为：

其中，|p|为路径p上的物理节点数目，d_ml为底层物理节点m和l之间的距离，定义为网络跳数；网络中信息传输源节点与目的节点之间的距离越远，为实现信息传输所消耗的资源量越大；路径p上的物理节点数目越多，路径效率η_p的值越小；

把VNFi从物理节点m迁移到n的愈合开销定义为：

C(i,m,n)＝k_i(T_T(i,m,n)+T_C)

其中，k_i为VNFi上平均每秒接收到的数据量，T_T(i,m,n)状态迁移时长，T_C网络重配置时长；

基于强化学习DQN的VNF迁移学习方法具体为：

首先，进行DQN网络的训练：

1)初始化记忆库D，容量为N，用于存储训练样本；

2)初始化当前值卷积神经网络N1，随机初始化权重参数θ；

3)初始化目标值卷积神经网络N2，其结构以及初始化权重参数θ与N1相同；

4)采用∈-greedy方法为每个状态选择一个执行动作a_t；

5)得到执行动作a_t后的奖励r_t+1和下一个网络的输入s_t+1；

6)令状态从s_t转到s_t+1；

7)在记忆库D中存储经验(s_t,a_t,r_t+1,s_t+1)；

8)随机从D中选取一批数据；

9)计算每一个数据的目标值TargetQ以及当前值Q(s,a；θ)；

10)计算损失函数L(θ)，定义为目标值TargetQ与当前值Q(s,a；θ)之间的均方误差：

L(θ)＝E[(TargetQ-Q(s,a；θ))²]

11)通过SGD随机梯度下降的方式更新网络参数θ，

12)每C次迭代后更新目标值网络的参数θ^-为当前值网络的参数θ，即θ^-＝θ；

13)重复4)～12)，直到收敛；

其次，当完成DQN网络训练之后，通过监测当前时隙t下的网络状态r(t)，包括全局节点状态ζ(t)以及全局链路状态η(t)；

将当前状态r(t)作为Q网络的输入；

计算以最小化愈合开销为目标的最优VNF迁移策略；

最后基于最优动作执行VNF的迁移。